Mesurer où vous manquez, et pourquoi.
Notre outil d'audit & monitoring (en accès alpha) croise deux regards complémentaires sur votre visibilité dans les LLMs.
Visibilité dans les LLMs
On interroge ChatGPT, Gemini… avec de vrais prompts utilisateurs, regroupés par intention, avec plusieurs échantillons par prompt pour mesurer la stabilité.
- ScoreScore de visibilité AEO — la synthèse (ex. 17/100).
- SOVShare of voice — qui l'IA nomme, et dans quelle proportion.
- GapsOrganic gaps & untapped — votre roadmap contenu et le terrain vierge à occuper.
- FidélitéCitation timing & source footprint — quand et avec quelles sources vous êtes cité.
Who AI names. Share of voice par marque et prompts où les concurrents sont cités, pas vous.
Score AEO. Visibilité spontanée, alternative, citation timing et stabilité sur 3 échantillons.
Gaps. 23 organic gaps + 250 prompts untapped — votre feuille de route, par intention.
Audit technique & sémantique
On audite la page produit telle qu'un agent la voit : accès (HTTP, robots, WAF), lisibilité (HTML brut vs rendu JS), données structurées (Schema.org) et profondeur sémantique.
- ReachReach & read — accessible et lisible sans JS ? llms.txt, markdown, chunkabilité, Content-Signal.
- DataProduct data — nom, prix, dispo, description & JSON-LD Product côté serveur, sans JS.
- SémantiqueSemantic — bénéfices, cas d'usage, audience, différenciateurs, FAQ, specs, avis.
- AgentsLecture réelle — ce que Gemini et OpenAI extraient vraiment (et leurs conflits).
Score /100. Sous-scores Reach & read / Product data / Semantic + quick wins priorisés.
Vu par les agents. Prix, JSON-LD et description souvent absents du HTML brut → citation improbable.
Profondeur sémantique. Description décisionnelle, cas d'usage, FAQPage, AggregateRating extractibles.
Deux symptômes, un même problème : la donnée produit. La demande dit où vous manquez, l'offre dit pourquoi. On agit sur la variable commune pour fermer le gap des deux côtés.
