Un prospect mentionne, au détour d'un appel, que ChatGPT lui a dit que votre entreprise avait fermé. Ou qu'elle avait été rachetée par un concurrent. Ou que votre produit phare avait été abandonné en 2023. Rien de tout cela n'est vrai — et vous ignorez combien d'autres acheteurs ont reçu la même réponse et n'ont jamais rappelé.
C'est un problème de revenus, pas une curiosité. Environ la moitié des acheteurs B2B de logiciels commencent désormais leurs recherches dans des chatbots IA, et 71 % y recourent à un moment ou un autre du processus d'achat (G2 via PRNewswire). Une réponse erronée à ce stade, c'est une affaire perdue que vous ne verrez jamais.
La plupart des conseils sur ce problème se terminent par « achetez notre tableau de bord de surveillance ». La surveillance mesure les dégâts ; elle ne les répare pas. Voici le manuel de réparation : documentez l'erreur, retracez la source sur laquelle le modèle s'appuie, puis travaillez un correctif à cinq couches — le Correction Stack (pile de correction) — dans l'ordre qui fait réellement bouger les choses. Six semaines couvrent un cycle complet : corriger, propager, retester. La version clé en main est disponible dans notre service de visibilité IA ; tout ce qui suit, vous pouvez le faire vous-même.
Points clés
- L'IA se trompe sur les entreprises pour trois raisons : un instantané d'entraînement obsolète, de mauvaises sources de récupération, ou une confusion d'entité avec une entreprise portant un nom similaire. Chacune nécessite une correction différente.
- Faites le triage avant d'agir. Dérive anodine, dommage commercial, atteinte de niveau diffamatoire — seules les deux dernières justifient un projet de six semaines.
- Les preuves d'abord : un journal de 10 requêtes sur cinq plateformes, avec captures d'écran et dates, est le fondement de chaque étape ultérieure, y compris les escalades.
- Travaillez le Correction Stack dans l'ordre : vos propres pages → données d'entité structurées → demandes de modification Wikipedia → sources tierces → boutons de signalement des plateformes. La plupart des équipes commencent par le bouton de signalement et échouent.
- Les corrections au niveau des sources atteignent généralement les réponses IA en quatre à huit semaines environ (Sight AI), donc retestez toutes les deux semaines et évaluez les résultats à la sixième semaine.
Pourquoi l'IA se trompe sur votre entreprise
Trois mécanismes produisent de fausses réponses sur les entreprises, et la correction est différente pour chacun.
L'instantané d'entraînement. Les connaissances intégrées d'un modèle sont figées à sa date de coupure d'entraînement. Si vous avez rebaptisé votre marque, déménagé, changé de PDG, ou simplement survécu à une mauvaise année après cet instantané, le modèle se souvient de votre ancienne version. Les réponses données sans accès au web proviennent de cette mémoire, et aucun ticket de support ne la modifie.
La récupération devenue obsolète. Lorsqu'un assistant effectue des recherches sur le web en direct — ChatGPT avec la recherche, Perplexity, Gemini et les aperçus IA de Google, Copilot — il résume ce qu'il récupère. Si les documents les plus faciles à trouver sur vous sont un profil Crunchbase abandonné, un article de presse de 2021 et une entrée d'annuaire indiquant une ancienne adresse, la réponse est fidèle à de mauvaises sources.
La confusion d'entité. Les modèles fusionnent des entreprises portant des noms similaires en une seule biographie. Une grande partie des cas de « l'IA dit que mon entreprise a fermé » remontent à un homonyme qui a effectivement fermé, été racheté ou poursuivi en justice. Vous héritez de son histoire.
Le mécanisme auquel vous faites face détermine tout ce qui suit — les mécanismes plus profonds sont expliqués dans comment l'IA décide quelles marques citer.
Triage : toutes les mauvaises réponses ne méritent pas un projet
Avant de vous engager pour six semaines, évaluez l'erreur.
| Niveau | Ressemble à | Réponse |
|---|---|---|
| Dérive anodine | Effectif légèrement obsolète, nouveau produit manquant, slogan approximatif | Notez-le. Corrigez aux couches 0–1 en passant. Pas de projet. |
| Dommage commercial | « L'entreprise a fermé » ou « a été rachetée », tarif erroné, absente des réponses de catégorie, confondue avec un concurrent | Appliquez ce guide maintenant. |
| Atteinte diffamatoire | Procès inventés, accusations de fraude, sanctions, incidents de sécurité fabriqués | Appliquez le guide et consultez un avocat en parallèle. Conservez tout. |
Soyez honnête à ce stade. La plupart des erreurs sont des dérives, et une dérive ne justifie pas l'effort décrit ci-dessous. Le niveau intermédiaire dangereux est le dommage commercial : des affirmations suffisamment fausses pour modifier une décision d'achat, mais pas suffisamment pour une procédure judiciaire.
Semaine 1 — reproduire et documenter : le journal de 10 requêtes
Les réponses IA ne sont pas reproductibles par défaut ; la même question donne des réponses différentes selon les sessions. Donc, avant de corriger quoi que ce soit, figez les preuves.
Construisez dix requêtes :
- 4 requêtes de base sur la marque — « Qu'est-ce que [entreprise] ? », « [entreprise] est-elle toujours en activité ? », « Qui possède [entreprise] ? », « Où est basée [entreprise] ? »
- 3 requêtes d'acheteur — « tarifs [entreprise] », « [entreprise] vs [concurrent] », « meilleurs prestataires [catégorie] »
- 3 requêtes défavorables — « problèmes [entreprise] », « procès [entreprise] », « [entreprise] est-elle légitime ? »
Exécutez les dix sur chaque plateforme importante pour vos acheteurs — ChatGPT, Gemini, Perplexity, Copilot, Grok — dans des sessions propres ou déconnectées, avec la navigation web activée et désactivée lorsque c'est possible. Pour chaque réponse, consignez : la date, la plateforme et la version du modèle, si la navigation était activée, le texte complet de la réponse, une capture d'écran et l'affirmation erronée en verbatim.
Cette étape est non négociable pour deux raisons. Premièrement, chaque canal d'escalade que vous pourriez utiliser par la suite — une page de discussion Wikipedia, un formulaire de confidentialité d'un éditeur, un avocat — vous demandera exactement ce qui a été dit, où et quand. Deuxièmement, cet ensemble de requêtes figées devient votre référence de retest. Sans lui, vous ne pouvez pas distinguer une vraie correction d'un simple échantillonnage chanceux.
Semaines 1–2 — tracer la source sur laquelle le modèle s'appuie
Les assistants modernes montrent de plus en plus leur travail. Exploitez-le.
- Si la réponse comporte des citations — ChatGPT en mode recherche, Perplexity, Copilot, aperçus IA — ouvrez chaque lien cité. L'un d'eux contient généralement votre fausse affirmation ou quelque chose de proche. C'est cette page, pas le chatbot, qui est votre cible de correction.
- Une requête de suivi utile : « Quelles sources disent [fausse affirmation] sur [entreprise] ? » Traitez la réponse comme des pistes, pas comme des vérités — ouvrez et vérifiez chacune.
- S'il n'y a pas de citation et que la réponse est erronée même avec la navigation désactivée, vous avez affaire à la mémoire des données d'entraînement. Il n'y a peut-être rien à corriger sur le web en direct. Le plan est différent : publiez du contenu dense, récupérable et correct afin que les réponses fondées sur la recherche supplantent la mémoire maintenant, et que le prochain instantané du modèle apprenne les bons faits plus tard.
Terminez la trace par un verdict en une ligne par fausse affirmation : affirmation → mécanisme (mémoire, récupération ou confusion d'entité) → URL de la source si elle existe. Ce tableau guide la section suivante.
Le Correction Stack : cinq couches dans l'ordre de correction
Le Correction Stack est ordonné par contrôle : commencez là où vous avez un contrôle total et une rapidité d'exécution immédiate, terminez là où vous n'avez ni l'un ni l'autre. La plupart des équipes l'inversent — elles martèlent le bouton « signaler » et s'arrêtent. Les outils de signalement des plateformes existent, mais ils sont peu fiables comme canal de correction principal (Mention Network) : une file d'attente de retours sans SLA, sans page de statut et sans obligation d'agir.
- Couche 0 — vos propres pages. Une page « À propos » qui indique l'année de création, la propriété, le statut et les localisations en phrases claires. Une page de tarifs qui affiche le vrai prix. Une FAQ qui répond aux questions exactes que posent les acheteurs, plus un fichier llms.txt pour les robots d'exploration. Faites du vrai fait la phrase la plus facile à récupérer sur internet. Coût : quelques heures.
- Couche 1 — données d'entité structurées. Déclarations Wikidata (base de données de connaissances libre) avec références, balisage schema.org Organization (foundingDate, address, sameAs) et faits cohérents sur LinkedIn, Crunchbase et les registres du commerce. C'est la couche qui démêle la confusion d'entité — couverte en profondeur dans notre guide Wikidata et knowledge graph.
- Couche 2 — corrections d'exactitude sur Wikipedia (encyclopédie en ligne collaborative). La source la plus influente sur laquelle la plupart des modèles s'appuient, et la plus facile à endommager en la modifiant vous-même. Demandes de modification uniquement — voir section suivante.
- Couche 3 — sources d'autorité tierces. L'article obsolète qui a semé la fausse affirmation : demandez une mise à jour ou une note de correction à l'éditeur. Actualisez les principaux profils. Si la fausse information provenait d'une couverture d'un homonyme, un article exact et récent donne à la récupération quelque chose de mieux à citer.
- Couche 4 — signalement aux plateformes. Pouces vers le bas, formulaires de signalement, canaux juridiques et de confidentialité. Soumettez une fois, joignez votre journal de preuves, n'attendez rien dans un délai précis.
La version permanente de cette architecture — pages propres, couche d'entité, Wikipedia, surveillance en tant qu'infrastructure permanente plutôt qu'opération ponctuelle — est l'AI Reputation Stack.
Leviers par plateforme : ce que chaque canal de retour peut réellement faire
Il n'existe pas de formulaire pour mettre à jour les informations de ChatGPT sur votre entreprise. Voici ce qui existe par plateforme :
| Plateforme | Mécanisme de retour | Ce qu'il peut réalistement changer | Latence réaliste |
|---|---|---|---|
| ChatGPT | Pouce vers le bas / signalement sur un message ; portail de confidentialité OpenAI pour les demandes de données personnelles | Le retour est un signal d'entraînement, pas un ticket. Les demandes de confidentialité concernent les individus, pas les marques. Les faits sur les marques évoluent quand les sources citées changent | Piloté par les sources : semaines. Mémoire intégrée : prochaine mise à jour du modèle. Retour seul : pas de SLA |
| Gemini / aperçus IA | Lien « retour » par réponse ; outils de suppression légale de Google ; suggestion de modification sur un Knowledge Panel revendiqué | Les aperçus suivent l'index et le Knowledge Graph de Google, donc les corrections de source et d'entité se propagent à la réexploration | Jours à semaines après la réexploration |
| Perplexity | Retour par réponse ; e-mail d'assistance | Le plus axé sur la récupération des cinq — les réponses suivent de près les pages citées | Souvent quelques jours après la modification d'une page citée |
| Copilot | Retour par réponse ; formulaire de préoccupation de contenu Microsoft | Ancré dans l'index de Bing ; l'actualisation des sources et la demande de réexploration via Bing Webmaster Tools fait évoluer les réponses | Jours à semaines |
| Grok | Retour sur la réponse dans l'application | S'appuie sur l'activité X et le web ; les corrections passent par la présence X visible et les sources web | Opaque ; pas de processus publié |
Ces latences sont des observations opérationnelles, pas des engagements des éditeurs — aucune plateforme ne publie de SLA de correction. Planifiez les six semaines autour des couches 0–3 ; les boutons sont un billet de loterie gratuit que vous achetez une fois.
Le levier Wikipedia et Wikidata, utilisé dans les règles
Si un article Wikipedia répète l'erreur, le corriger est le geste à plus fort levier de la pile — et le plus facile à mal exécuter.
Ce que nous ne ferons pas, et que vous ne devriez pas non plus : modifier votre propre article directement, sans être connecté, ou via un compte non divulgué. Les modifications en conflit d'intérêts (WP:COI — règle Wikipedia sur les conflits d'intérêts) sont annulées, étiquetées et archivées, et le nettoyage fait partie de votre dossier public.
Le chemin conforme :
- Créez un compte et divulguez votre affiliation sur votre page utilisateur. Si vous êtes rémunéré pour ce travail, les conditions d'utilisation de Wikipedia (WP:PAID — politique de divulgation pour les contributions rémunérées) exigent de le déclarer.
- Publiez une demande de modification sur la page de discussion de l'article : citez la phrase incorrecte, indiquez le fait correct et joignez une source fiable indépendante — pas votre propre site web.
- Restez factuel et minimal. Les corrections non controversées — année de création, siège, statut opérationnel actuel, changement de direction — sont généralement acceptées. Les demandes visant à améliorer des qualificatifs ne le sont pas.
- Pour les fausses affirmations concernant des personnes vivantes — un fondateur accusé de quelque chose qui ne s'est jamais produit — les politiques biographiques de Wikipedia exigent la suppression rapide des affirmations mal sourcées, ce qui accélère le traitement des demandes bien documentées.
Wikidata est plus accueillant : les éditeurs affiliés peuvent corriger les déclarations directement, à condition que chaque déclaration comporte une référence et reste neutre. Vérifiez votre entité pour détecter une date de dissolution erronément attachée — la cause classique de « l'IA dit que l'entreprise a fermé » — des enregistrements fusionnés ou dupliqués vous confondant avec un homonyme, et des dirigeants ou des sites web obsolètes. Les modèles et le Knowledge Graph de Google lisent Wikidata comme une vérité de référence — c'est la correction à plus fort levier et la plus discrète de la pile.
Honnêteté sur les délais : les demandes en page de discussion prennent des jours à des semaines selon le trafic de la page ; l'effet sur les réponses IA suit la fenêtre de propagation habituelle après cela.
Ce qu'il ne faut pas faire
- Ne spammez pas les boutons de signalement. Dix pouces vers le bas de votre équipe représentent du bruit pour un filtre anti-abus, pas un signal plus fort. Signalez une réponse IA incorrecte une fois, avec des preuves, et passez à autre chose.
- Ne publiez pas un démenti qui répète la fausse affirmation. Un article intitulé « Non, [Entreprise] n'a pas fermé » fournit aux systèmes de récupération exactement la chaîne de caractères que vous voulez effacer. Énoncez le fait vrai dans les titres et les données structurées ; réfutez directement uniquement lorsqu'une fausse information se propage déjà d'elle-même.
- N'allez pas d'abord chez un avocat pour des erreurs ordinaires. Une mise en demeure concernant une année de création erronée n'a aucun levier à actionner — il n'y a pas d'éditeur à contraindre ni de document unique à rétracter. Le recours juridique est justifié lorsque la production est de niveau diffamatoire : crimes fabriqués, fraude ou violations réglementaires, notamment récurrents sur plusieurs plateformes. Dans ce cas, votre journal de preuves devient le dossier de pièces, et le conseil juridique peut travailler les canaux légaux des éditeurs et la publication source portant l'affirmation.
- Ne déclarez pas victoire après une seule réponse correcte. La variance d'échantillonnage produit des réponses correctes par accident. Le protocole de retest existe pour cette raison.
Le protocole de retest : semaines 2, 4 et 6
Réexécutez les dix mêmes requêtes, sur les mêmes plateformes, dans des sessions propres, toutes les deux semaines — trois passages dans la fenêtre de six semaines. Classez chaque fausse affirmation par passage :
- Corrigé — correct lors de deux passages consécutifs, avec la navigation activée et désactivée.
- Partiel — correct quand le modèle effectue une recherche web, encore erroné depuis la mémoire.
- Instable — alterne entre correct et incorrect selon les passages.
Calibrez vos attentes par rapport aux données de propagation : les corrections au niveau des sources prennent généralement environ quatre à huit semaines pour apparaître dans les réponses IA (Sight AI). Une semaine 2 silencieuse est normale. Un résultat partiel en semaine 4 signifie généralement que vos sources les plus solides ont été mises à jour mais que la couche d'entité est encore en désaccord — réauditez la couche 1. Encore instable en semaine 6, cela signifie que la trace a manqué une source : revenez à l'étape des citations avec de nouvelles réponses.
Après la sixième semaine, passez à une cadence mensuelle avec les mêmes requêtes figées. Quand la journalisation manuelle cesse d'être à la bonne échelle, ou que le conseil d'administration veut un chiffre unique, c'est le moment d'utiliser des outils — voir notre comparatif des outils de surveillance de la marque IA.
Quand la correction ne fonctionnera pas — et ce que la surveillance vous apporte entre-temps
Honnêteté sur les cas limites :
- Hallucinations sans source. Certaines réponses erronées ne citent rien et ne correspondent à aucun document sur le web en direct — une hallucination sur votre entreprise que le modèle a assemblée lui-même. Il n'y a rien à corriger, car rien n'a été écrit. La seule atténuation est la densité : suffisamment de vérité cohérente, structurée et récupérable pour que les réponses fondées sur la recherche l'emportent sur la mémoire, jusqu'à ce qu'un nouvel instantané du modèle apprenne les bons faits.
- Décalage de version du modèle. Votre correction peut atterrir dans le mode actuel fondé sur la recherche tandis que les modes plus anciens ou hors ligne restent erronés jusqu'à ce que l'éditeur publie une mise à jour. Aucun travail sur les sources ne raccourcit un cycle de publication.
- Homonymes bien implantés. Si vous partagez un nom avec une entité beaucoup plus grande ou plus couverte, la confusion peut resurgir à chaque nouveau modèle, même après une correction réussie. Des données d'entité distinctes réduisent la fréquence ; rien ne l'élimine.
Dans ces cas, la surveillance n'est pas un lot de consolation. Elle détecte les régressions tôt, constitue un dossier daté montrant que la fausse information persiste du côté de l'éditeur — ce qui compte si les choses deviennent jamais juridiques — et prouve à la direction que la partie corrigeable a bien été corrigée.
Si vous préférez commencer avec le diagnostic déjà fait pour vous — ce que ChatGPT, Gemini, Perplexity, Copilot et Grok disent chacun de votre entreprise aujourd'hui, les sources sur lesquelles ils s'appuient et quelle couche de la pile nécessite une attention en premier — cet audit est la façon dont commence notre service AI Visibility. Nous ne promettons pas de changer l'avis d'un modèle dans un délai donné. Nous corrigeons les sources qu'il lit, puis mesurons s'il en a tenu compte.