Dans 99% des cas c’est facile de retrouver les parques qui sont citées mais ça se complique quand le nom de la marque ou du modèle correspond à un nom commun. Par exemple : « Lancer » n’est pas toujours une Mitsubishi
Il faut donc détecter les marques sans se faire piéger par les mots courants
L’essentiel
- Repérer les marques avec un dictionnaire est rapide et gratuit, mais ce n’est pas fiable dès qu’un nom de modèle est aussi un mot courant : Lancer, Accord, Ami, Espace, ES…
- Envoyer chaque texte à un LLM coûte trop cher et prend trop de temps à grande échelle. Notre table de mentions dépasse 5,7 millions de lignes.
- L’approche retenue : le dictionnaire d’abord, un petit classifieur local seulement en cas de doute. Un terme est « douteux » quand c’est un nom de modèle et que la marque n’est pas citée dans le texte.
- Le résultat : sur nos phrases témoins, les faux positifs typiques disparaissent (lancer le moteur, un accord sur le prix, mon ami), et les vraies mentions restent.
Le problème : en GEO, une mention mal comptée fausse tout
Pour mesurer la visibilité d’une marque dans les moteurs génératifs, on compte les marques citées dans les réponses de ChatGPT, d’AI Overviews ou de Perplexity, ainsi que dans les sources qu’ils citent : pages web et, de plus en plus, vidéos YouTube.
La méthode de base est simple et robuste :
- On nettoie le texte (minuscules, sans accents, sans URL).
- On le découpe en n-grammes de 1 à 5 mots.
- On croise ces n-grammes avec un référentiel
marque → termes(Renault → Clio, Captur… ; Mitsubishi → Lancer ; Honda → Accord ; Citroën → Ami).
Le traitement est très rapide, déterministe et ne coûte rien. Le problème apparaît dans des textes comme celui-ci, extrait d’une vidéo de constructeur sur la recharge des véhicules électriques : « …si vous souhaitez lancer une charge immédiate, pressez ce bouton… »
Le dictionnaire y voit une mention de la Mitsubishi Lancer. Sur un échantillon de dix vidéos, nous avons relevé ES (Lexus), Accord (Honda), Ami (Citroën) et 108 (Peugeot), toutes utilisées comme mots courants. À l’échelle d’un tableau de bord de part de voix, ces erreurs font apparaître des concurrents qui ne sont jamais cités.
Pourquoi ne pas tout confier à un LLM ?
On pourrait demander à un LLM de lister les marques de chaque texte. On s’en abstient pour trois raisons :
- Le volume. On parle de millions de lignes de mentions, et chaque nouvelle collecte en ajoute des milliers.
- Le coût et la latence. Un appel API par page, c’est trop d’appels au global
- La reproductibilité. Un LLM génératif peut citer des marques absentes du référentiel, ou en oublier une d’une exécution à l’autre.
Le dictionnaire a raison dans l’immense majorité des cas. Ce qui manque, c’est un arbitre pour les quelques cas ambigus.
L’approche : un arbitre qui ne parle qu’en cas de doute
1. Définir le doute, sans modèle
Pour chaque couple (marque, terme) trouvé par le dictionnaire, on applique deux règles :
| Situation | Exemple | Décision |
|---|---|---|
| Le terme est le nom de la marque | Renault, Tesla | Gardé sans vérification |
| Le terme est un modèle, et la marque est citée dans le texte | « J’ai acheté une Honda Accord » | Gardé sans vérification |
| Le terme est un modèle, et la marque est absente | « Ils ont trouvé un accord sur le prix » | Envoyé à l’arbitre |
L’intérêt de ce filtre : la plupart des correspondances ne passent jamais par le modèle. Le coût supplémentaire reste donc marginal.
2. Un classifieur de 2 milliards de paramètres, en local
Pour arbitrer, nous utilisons Strands Decider 2B, un modèle léger (base Qwen 3.5 2B) qui ne génère pas de texte. Il répond à des questions fermées et renvoie une probabilité calibrée. Il propose trois types de question : oui/non, choix parmi N options et note sur une échelle. Il tourne sur un GPU de poste de travail et répond en une centaine de millisecondes.
Une réponse sous forme de probabilité présente deux avantages par rapport à un LLM qui écrit une réponse :
- on fixe un seuil, que l’on ajuste sur des cas réels ;
- la sortie est directement exploitable : on n’a pas à analyser du texte libre, et le modèle ne peut pas répondre « hors sujet ».
3. Poser la bonne question, sur le bon contexte
Envoyer un transcript de 5 000 caractères pour trancher sur un seul mot n’a pas d’intérêt. On extrait jusqu’à trois passages d’environ 250 caractères de part et d’autre des occurrences du terme. Ce contexte suffit à lever l’ambiguïté, et il n’est pas noyé dans le reste du texte.
La question, de type oui/non, est formulée pour chaque couple :
{ « type »: « noul », « instructions »: « Dans ce texte, « Lancer » désigne-t-il Mitsubishi ou un produit de la marque Mitsubishi ? », « criteria »: { « true »: « « Lancer » désigne la marque Mitsubishi ou l’un de ses produits (modèle, gamme). », « false »: « « Lancer » est un mot courant, a un autre sens ou désigne une autre marque. » } }
On garde le terme si P(oui) ≥ 0,5.
4. Ne jamais perdre une mention à cause d’une panne
Si le serveur du classifieur ne répond pas, le terme est gardé et un avertissement s’affiche. Le système revient alors exactement au comportement d’avant : un service arrêté ne fait disparaître aucune mention en silence.
L’option est aussi désactivable. On ne l’active que là où le problème existe vraiment : les transcripts YouTube et les pages web, qui contiennent beaucoup de langage courant. Les réponses des LLM, plus centrées sur les marques, gardent le traitement d’origine.
Les résultats sur des cas concrets
| Texte | Dictionnaire seul | Avec l’arbitre | P(oui) |
|---|---|---|---|
| « Il faut lancer le moteur avant de partir » | Lancer | — | 0,22 |
| « Ils ont trouvé un accord sur le prix » | Accord | — | 0,35 |
| « Mon ami m’a prêté sa voiture » | Ami | — | 0,21 |
| Transcript de vidéo : « lancer une charge immédiate » | Lancer | — | 0,16 |
| « La Lancer Evo IX reste une icône du rallye » | Lancer | Lancer | 0,87 |
| « La Mitsubishi Lancer Evolution est une légende » | Lancer | Lancer | pas d’appel |
Dans le dernier cas, le modèle n’est même pas appelé : la marque est citée, il n’y a donc pas de doute. Dans l’avant-dernier, le classifieur reconnaît la voiture sans que la marque soit mentionnée, grâce au contexte (« Evo », « rallye »).
Les limites, et comment les traiter
Deux cas montrent ce que l’approche ne règle pas encore.
1. Le chiffre romain pris pour un modèle. Dans « Lancer Evo IX », le dictionnaire trouve aussi iX (BMW), et le classifieur le valide à 0,79. Le contexte automobile l’induit en erreur. Monter le seuil à 0,8 corrigerait ce cas, mais il faut valider ce réglage sur un échantillon plus large pour ne pas perdre de vraies mentions.
2. La marque citée ailleurs dans le texte. La règle « marque présente → pas de doute » a une faille. Dans le transcript de la vidéo de recharge, la marque du constructeur est citée, et le mot espaces (« les espaces publics ») est donc validé comme une mention du modèle Espace sans passer par l’arbitre. Une amélioration possible : soumettre quand même au classifieur les noms de modèles qui sont aussi des mots du dictionnaire, même quand la marque est présente.
Une règle générale ressort de ces deux cas : constituez un jeu de phrases témoins (vrais positifs, faux positifs évidents, cas limites) et repassez-le à chaque changement de seuil ou de règle. Dix phrases suffisent pour repérer une régression.
À retenir pour vos propres pipelines
- Gardez le dictionnaire. Il est rapide, gratuit et explicable, et il a raison dans la plupart des cas.
- Isolez le doute avec des règles simples avant d’appeler un modèle : terme = marque, marque présente dans le texte.
- Préférez un classifieur qui renvoie une probabilité à un LLM qui génère du texte pour ce genre d’arbitrage. Le seuil se règle et la réponse s’exploite directement.
- Envoyez le contexte, pas le document entier.
- En cas de panne, gardez le terme. Mieux vaut un faux positif connu qu’une mention perdue en silence.
- Testez avec des phrases témoins, et regardez en priorité les cas qui passent sans arbitrage.
