La structure à deux étages de la visibilité IA

Six études distinctes, publiées entre février et octobre 2026, ont mesuré la stabilité réelle des citations dans les réponses IA. Leurs chiffres de tête semblent inconciliables. 96,8 % des domaines cités n’enregistrent aucun changement d’une semaine à l’autre (BrightEdge, semaine du 1er février 2026) [3]. Or 69 % des domaines cités changent d’un jour à l’autre, sur 530 875 citations mesurées (GetMentions AI, juin 2026) [6]. Et 73,5 % des URL citées apparaissent exactement une fois et ne reviennent jamais, avec une durée de vie médiane de zéro jour (Trakkr, 108 650 URL sur 177 jours) [4].

Les trois sont exacts. Ils décrivent des étages différents du même système, à des unités différentes — et, dans le cas de [3] et [6], le même étage lu sur des fenêtres différentes. Une fois cela admis, le problème central du secteur cesse d’être un manque de données pour devenir ce qu’il a toujours été : un problème d’unité de mesure. Un domaine peut conserver sa place dans l’ensemble cité pendant que la page qui le porte est remplacée ; une moyenne hebdomadaire peut paraître plate alors que chaque lecture quotidienne qui la compose diffère ; et une exécution unique peut produire un écart qu’aucun test statistique ne soutiendrait.

Le constat le plus lourd ne concerne aucun moteur en particulier. C’est que la précision affichée par le secteur n’est pas atteignable aux taux d’échantillonnage que le secteur emploie. Pour publier une part de citations dont l’intervalle de confiance à 95 % fait cinq points de large — environ ±2,5 points, la résolution à laquelle les équipes annoncent « nous avons gagné deux points » — une étude estime qu’il faut 40 à 50 répétitions sur Gemini, environ 100 sur Perplexity et 150 ou plus sur RechercheGPT [1]. La plupart des tableaux de bord n’exécutent qu’une passe. L’écart entre ce qui est publié et ce qui est mesurable constitue l’objet de ce document.

Tous les produits de visibilité IA du marché reposent sur une hypothèse héritée du suivi de positions : qu’un chiffre produit aujourd’hui peut être comparé au chiffre produit hier, et que l’écart correspond à une évolution de votre position. Le suivi de positions a gagné cette hypothèse à la dure. Les résultats de recherche étaient assez déterministes pour qu’un passage de la position 8 à la position 5 signifie quelque chose, et l’outil qui le rapportait pouvait être vérifié par quiconque tapait la requête.

Les moteurs de réponse brisent le dernier maillon de cette chaîne. Posez deux fois la même question et le moteur répondra vraisemblablement différemment, en citant d’autres sources, sans que rien n’ait changé sur vos pages. Ce n’est pas un défaut à corriger ; c’est le comportement d’un système génératif à température supérieure à zéro, avec une recherche sur un index mis à jour en continu. La littérature de mesure ne s’était guère emparée de la question avant 2026.

Le premier traitement rigoureux arrive en mars 2026. Quantifying Uncertainty in AI Visibility de Sielinski reformule tout l’exercice : une part de citations n’est pas une propriété d’une marque, c’est un estimateur d’échantillon d’une distribution de réponses sous-jacente. Échantillonner cette distribution une fois donne une estimation ponctuelle assortie d’une marge d’erreur que personne n’imprime. L’article énonce son constat empirique central sans détour : beaucoup de différences apparentes entre domaines, et beaucoup de changements apparents d’un échantillon à l’autre, « ne se distinguent pas statistiquement du bruit » [1].

“Single-run visibility metrics provide a misleadingly precise picture of domain performance in generative search.” — Sielinski, arXiv:2603.08924, 39 pages, 13 figures, August 2026 revision [1]

Ce constat, pris au sérieux, invalide une large part de ce que le secteur publie. Il n’invalide pas la raison d’être du secteur. Les marques doivent toujours savoir si elles figurent dans la réponse. Ce qui change, c’est la forme que doit prendre la réponse : non pas « vous êtes à 12,4 % aujourd’hui, contre 15,1 % hier », mais « votre part est de 12 à 16 % à cette taille d’échantillon, et le mouvement observé se situe à l’intérieur de cet intervalle ».

Les enjeux pratiques sont asymétriques. Une marque qui surréagit au bruit consume son budget à réécrire des pages qui n’étaient jamais le problème. Une marque qui sous-échantillonne manque un vrai changement structurel — et les études de la section 3 montrent que ces changements existent bel et bien, seulement plus lents et à un autre étage que ne le suggère le suivi quotidien.

Il s’agit de recherche secondaire, et ce document le dit clairement. Novaxilabs n’exploite aucun échantillon de suivi. Chaque chiffre ci-dessous est un résultat publié par une étude nommée, rapporté avec sa taille d’échantillon, sa fenêtre de mesure et sa classe de preuve. Ce que ce document apporte n’est pas de nouvelles données : c’est une lecture structurelle d’études qui semblent se contredire, et la traduction de cette lecture en norme de reporting.

Classes de preuve

Les affirmations sont notées sur une échelle à cinq niveaux utilisée dans toute cette série : Officiel (documentation d’un fournisseur), Preprint académique (dépôt arXiv avec méthodes et données divulguées, pas encore évalué par les pairs), Mesure indépendante (échantillon tiers avec taille et fenêtre déclarées ; aucun cas dans cette édition), Déclaré par un fournisseur (une société de suivi publiant ses propres données), et Analyse (inférence raisonnée, explicitement pas une prétention d’accès aux mécanismes internes des moteurs).

Un fait inconfortable mérite d’être posé avant les résultats, car il détermine la façon de les lire : cinq des six études citées ici sont déclarées par des fournisseurs. BrightEdge, Trakkr, Ahrefs, GetMentions AI et SISTRIX ont tous mesuré leurs propres données de suivi et publié le résultat ; seul l’article de Sielinski est une source académique sans intérêt commercial dans la réponse. Les références [7] et [8] sont des pages complémentaires du même jeu de données Trakkr que [4] : elles sont citées pour des chiffres précis, sans être comptées comme des études distinctes. Il n’existe aucun auditeur tiers pour les données de citations IA. C’est l’état du domaine, non une limite de ce document — et cela signifie que la manière honnête de lire un chiffre de cette catégorie, y compris celui-ci, est d’abord de vérifier son échantillon et sa fenêtre, ensuite son titre.

Pourquoi les chiffres absolus ne sont jamais comparés entre études

Les études ne partagent pas de méthodologie et ce document ne prétend pas le contraire. SISTRIX a suivi 82 619 requêtes chaque semaine pendant 17 semaines dans six pays [2]. BrightEdge a comparé des captures hebdomadaires successives sur sa plateforme AI Catalyst [3]. Trakkr a suivi 108 650 URL pendant 177 jours sur huit modèles [4]. Ahrefs a suivi 37 500 citations quotidiennement pendant 20 jours sur cinq outils [5]. GetMentions a exécuté 2 398 requêtes une fois par jour pendant 7 jours sur quatre moteurs [6]. Un pourcentage issu de l’une ne peut être soustrait d’un pourcentage issu d’une autre, et lorsque ce document les place côte à côte, il compare direction et structure, jamais une magnitude.

Ce que ce document ne prétend pas

Il ne prétend pas savoir comment un moteur sélectionne ses sources en interne. Il ne prétend pas que ces résultats valent pour tous les marchés : le seul jeu multi-pays présenté ici couvre six marchés occidentaux et ne constitue pas une preuve pour les autres. Il ne prétend pas que la structure soit permanente — chaque étude est datée, et les preuves réunies ici montrent un comportement des moteurs qui évolue plus vite qu’aucune étude ne se réplique.

Chaque constat ci-dessous énonce une affirmation, nomme l’étude qui la soutient et indique l’échantillon sur lequel elle repose. Lorsque deux études divergent, les deux chiffres apparaissent — parce que dans cette catégorie, la divergence est généralement le constat, non une erreur à trancher.

La lecture à deux étages résout ce qui ressemble sinon à une contradiction entre les études les plus soignées du domaine. Elle change aussi ce que peut signifier « notre visibilité IA a baissé ». Si une page sort d’une réponse alors que le domaine reste dans l’ensemble cité, l’étage des domaines ne signalera aucun changement, l’étage des pages signalera une perte, et les deux décrivent correctement le même événement. Un rapport qui mélange les deux produit un chiffre sur lequel personne ne peut agir.

Le cadrage de SISTRIX est le plus utile opérationnellement publié à ce jour : chaque réponse possède un noyau fixe et un carrousel. Pour 86,5 % des requêtes, un petit ensemble stable de domaines persiste sur des semaines et des mois ; tout le reste est réaffecté chaque semaine. La question qu’une marque devrait poser n’est donc pas « suis-je dans la réponse ? » mais « suis-je dans le noyau, ou dans le carrousel ? » [2] ANALYSE

Cette distinction possède une dimension temporelle que les tableaux de bord quotidiens manquent. La série au niveau marque de Trakkr — 857 138 rapports quotidiens couvrant 10 991 marques sur dix mois — situe le délai médian entre pic et moitié à 31 jours, et ne trouve que 173 marques sur 1 314 suivies 90 jours ou plus conservant une présence de citations stable [4]. Perdre le noyau est un événement lent, mesuré en semaines. Perdre une page est un événement rapide, mesuré en jours. Les rapporter à la même cadence garantit que l’événement rapide noie l’événement lent.

C’est la raison mécanique pour laquelle les comptes bruts de citations ne peuvent être comparés entre moteurs, et la raison pour laquelle la « part des citations » est la seule mesure ayant un sens défendable entre plateformes [1]. Une marque citée deux fois dans une réponse RechercheGPT qui porte six liens pèse environ un tiers de cette réponse ; les deux mêmes mentions dans une réponse Gemini qui porte quarante liens sont un arrondi négligeable. Les deux peuvent être présentées à un client comme « deux citations ».

SISTRIX ajoute un résultat qui sape l’hypothèse d’une stratégie de contenu universelle. Dans Google AI Mode, 80 % des domaines du noyau sont en allemand pour les requêtes allemandes et 85 % des URL du noyau sont evergreen, les pages produit et boutique dominant le noyau tandis que les guides et actualités tournent. Dans ChatGPT Recherche, le profil s’inverse : les domaines du noyau obtiennent 16/20 en E-E-A-T contre 14/20 pour les périphériques, les sources institutionnelles et documentaires forment le noyau, et 68 % du contenu du noyau est en anglais même pour des requêtes allemandes [2]. Les deux plateformes récompensent des profils de contenu presque opposés, et aucune page unique ne peut occuper confortablement les deux noyaux.

Un dernier chiffre de la même étude mérite attention, car c’est l’argument le plus fort contre une stratégie de citations fondée sur la couverture presse : seuls 1,4 % des articles de presse cités comme sources sont restés durablement dans l’ensemble des citations [2]. Le contenu éditorial d’actualité est un aller simple. Ce qui survit est evergreen par construction.

Le second avertissement pratique de l’article est plus subtil et plus facile à rater. Les intervalles de confiance ne se resserrent pas toujours régulièrement à mesure que l’on ajoute des requêtes ; sur RechercheGPT, ils peuvent se resserrer puis s’élargir de nouveau, parce que la distribution sous-jacente se déplace pendant l’échantillonnage. Un praticien qui s’arrête à un point commodément étroit publierait un intervalle qui sous-estime l’incertitude réelle [1]. La règle sûre est d’engager une taille d’échantillon à l’avance — dérivée de la plateforme et du thème — plutôt que de s’arrêter quand le chiffre paraît acceptable.

Réunissez ces deux constats et l’implication pour le reporting devient inévitable. Un tableau de bord qui échantillonne une fois et imprime un pourcentage à deux décimales ne mesure pas une petite différence ; il imprime un artefact. Le chiffre est une arithmétique réelle sur des données réelles, et il ne porte aucun contenu inférentiel au-delà de l’unique échantillon dont il provient. L’écart de quelques points sur lequel un client s’interroge chaque mois est, à cette taille d’échantillon, l’incertitude propre à la mesure exprimée comme performance apparente.

SISTRIX parvient à la même conclusion par un autre chemin et ajoute le mécanisme. Les requêtes de marque dérivent d’environ 20 % de moins que la moyenne (45 % contre 56 % de renouvellement entrant), ce qui semble rassurant jusqu’à l’examen des co-citations : les douze à quinze autres domaines cités aux côtés d’une marque changent à 70 % par semaine [2]. Le domaine de la marque est ancré ; l’espace qui l’entoure est réaffecté chaque semaine. C’est là que le déplacement concurrentiel se produit réellement, et c’est invisible à une mesure qui demande seulement si la marque est apparue.

La conséquence en matière de planification est précise. Une marque qui ne suit que son propre nom verra une courbe stable et conclura que rien ne bouge, alors que l’ensemble des sources citées à côté d’elle se renouvelle chaque semaine. Une marque qui ne suit que les termes de catégorie verra un mouvement constant et conclura que la catégorie est inmesurable. Les deux ne regardent que la moitié de la structure.

Le même article enregistre un cas à l’extrême opposé, utile parce qu’il montre que la défaillance n’est pas universelle. RechercheGPT sur les mangeoires présentait cinq paires consécutives avec des intervalles assez étroits pour être fiables, et aucune n’atteignait le seuil de stabilité de 0,90 — la largeur moyenne des intervalles était de 0,225, proche de la limite à laquelle la comparaison cesse d’être informative [1]. Sur les deux autres thèmes, les paires n’étaient même pas suffisantes pour calculer. Un tableau de bord quotidien aurait affiché un chiffre pour chacun de ces jours.

Il en existe une lecture opérationnelle nette. La comparaison par paires répond à « est-ce que cela a changé depuis hier », une question sur le bruit. La comparaison d’extrémités répond à « est-ce que cela a changé sur la période qui nous importe », la question qu’une revue trimestrielle pose réellement. Un système de mesure qui ne fait que la première continuera à confirmer que rien ne va mal pendant que l’objet qu’il était chargé de surveiller se déplace discrètement.

Rien de tout cela ne soutient qu’il faut cesser de mesurer la visibilité IA. Cela soutient que l’unité de mesure doit changer, et que trois habitudes de la pratique courante induisent activement en erreur.

Deux chiffres complémentaires des pages de données publiques de Trakkr établissent le même point sur des échantillons différents. L’index de citations en direct indique que 74 % des liens cités apparaissent dans une seule réponse et jamais ensuite — un second échantillon derrière le chiffre longitudinal de 73,5 %, et non une réplication indépendante [7]. L’analyse du même groupe portant sur 1,3 million de citations constate que Wikipédia représente à lui seul environ 17 % de l’ensemble des citations IA, ce qui est l’aspect d’un étage noyau lorsqu’un domaine unique l’occupe [8]. Un carrousel de milliers de pages tourne sous une poignée de sources structurellement inchangées.

1. Cesser de traiter « cité » comme un état binaire

Les données indiquent que chaque réponse possède un noyau et un carrousel [2]. Une marque est soit dans le noyau — persistant sur des semaines, et ce qu’un concurrent doit déloger — soit dans la rotation, où la présence d’aujourd’hui prédit très peu la présence de la semaine prochaine. Publier un chiffre unique du type « vous êtes cité dans 34 % des réponses » écrase les deux états en un seul nombre, et ce nombre est dominé par la moitié volatile. La question utile est : quelle part des requêtes suivies une marque occupe-t-elle en position de noyau, et comment cette part évolue-t-elle mois après mois ?

2. Cesser de présenter les écarts quotidiens comme de la performance

Le mouvement quotidien est réel, ample et presque entièrement non informatif à une passe par requête [1][6]. Une série quotidienne mérite d’être conservée — c’est ainsi qu’une panne, une mise à jour de modèle ou une dé-indexation soudaine se signalent — mais ce n’est pas une mesure de performance. Le chiffre qu’une partie prenante devrait voir chaque semaine est une part assortie d’un intervalle ; le chiffre qui mérite d’être escaladé est une rupture dans la série, non une oscillation de deux points.

3. Cesser de moyenner les moteurs en un score unique

Gemini cite 36 à 43 liens par réponse, RechercheGPT 5 à 7, et les deux font tourner leurs sources à des rythmes différents sur des profils de contenu différents [1][2]. Un « score de visibilité IA » mélangé entre moteurs est une moyenne de quantités d’unités différentes, et il se déplace quand le mix de requêtes change plutôt que quand la marque change. Des chiffres par moteur, publiés séparément, sont moins satisfaisants à regarder et bien plus utiles pour agir.

Il existe aussi une conséquence budgétaire. Si l’étage noyau se renouvelle à l’échelle de semaines à mois — la marque médiane de Trakkr met 31 jours à passer du pic à la moitié [4] — alors le cycle d’intervention devrait être mensuel, et non quotidien. Un contenu publié pour courir après une oscillation quotidienne optimise contre le bruit. Un contenu publié pour entrer dans un ensemble noyau se mesure à l’échelle de temps que les données soutiennent réellement.

Les six règles ci-dessous ne sont pas un style maison. Chacune découle directement d’une propriété mesurée des données, et chacune existe pour prévenir une erreur précise que les études ci-dessus documentent. Un rapport qui les omet n’est pas faux dans son arithmétique ; il est faux dans ce qu’il prétend que l’arithmétique signifie.

Deux de ces règles sembleront un recul, parce qu’elles retirent des chiffres qu’un client lit depuis un an. Remplacer un pourcentage quotidien par un intervalle hebdomadaire raccourcit le rapport et, à première vue, le rend moins informatif. Il est plus informatif au seul sens qui compte : il peut être défendu. Un chiffre sans taille d’échantillon déclarée ne peut être contesté, et un chiffre qui ne peut être contesté n’est pas une preuve.

“If a visibility report cannot answer ‘what was your sample size and window’, the number it contains is not a measurement — it is an impression with two decimal places.” — Inference from the sampling thresholds in [1], stated here as a reporting rule rather than a finding

La norme a aussi un usage concurrentiel. Dans une catégorie où chaque fournisseur publie un chiffre différent pour la même marque, le fournisseur qui déclare sa taille d’échantillon, sa fenêtre et son intervalle est celui dont le chiffre peut être réconcilié avec les autres. Ce n’est pas un positionnement marketing ; c’est la seule position depuis laquelle une mesure peut être comparée tout court.

Les faiblesses de ce document sont précises et méritent d’être énoncées entièrement, car une synthèse hérite de chaque faiblesse de ses sources et en ajoute quelques-unes.

Aucune mesure originale

Novaxilabs n’exploite aucun échantillon de suivi. Rien ici n’a été mesuré par l’éditeur, et aucun chiffre n’est présenté comme une confirmation indépendante d’un autre. L’apport du document est structurel : il lit six études comme un seul système et montre que leurs contradictions apparentes sont des différences d’unité, de fenêtre et de type de question.

L’essentiel des preuves est déclaré par des fournisseurs

Cinq des six études sont publiées par des sociétés qui vendent du suivi de citations. Leurs sections méthodologiques sont inhabituellement détaillées, et là où elles énoncent des limites, ce document les reprend — mais aucune n’a été auditée par un tiers, et chacune a un intérêt évident à ce que le phénomène soit réel. Seul l’article arXiv [1] est académique et désintéressé. Un lecteur qui écarte tous les chiffres déclarés par des fournisseurs conserve le cœur méthodologique de ce document : la structure à deux étages et les seuils d’échantillonnage reposent tous deux principalement sur [1] et sur la cohérence interne de [2] à [6].

Couverture étroite, dans chaque dimension

Les données multi-pays couvrent six marchés occidentaux et rien d’autre [2]. Les travaux sur les seuils d’échantillonnage couvrent trois thèmes de produits grand public [1]. La fenêtre la plus longue est de dix mois [4] ; la plus courte de sept jours [6]. Aucun de ces éléments ne peut être généralisé à une catégorie, une langue ou un marché sans vérification, et ce document ne s’y essaie pas.

Le mécanisme n’est pas expliqué

Ce document décrit un comportement, non des causes. Il peut affirmer que la citation au niveau des domaines est stable tandis que celle au niveau des pages ne l’est pas ; il ne peut dire pourquoi, car aucune des études n’isole la variable. Le reclassement de la recherche, les cycles d’actualisation de l’index, la politique de longueur des réponses et la réécriture des requêtes y contribuent plausiblement, et les séparer exigerait une perturbation contrôlée qu’aucune étude publiée n’a tentée. Toute affirmation causale attachée à ces chiffres — y compris les flatteuses — relève de l’inférence, non de la mesure.

Une seule étude comblerait la plupart des lacunes

L’absence la plus frappante du domaine est une étude unique combinant quatre propriétés à la fois : plusieurs langues, plusieurs moteurs, une fenêtre d’au moins six mois et assez de répétitions par requête pour attacher un intervalle. Chaque jeu de données existant en détient trois sur quatre. Cette étude n’existe pas dans les annales publiques à la date d’arrêté des données de ce document, et c’est pourquoi ses affirmations sont structurelles plutôt que prédictives.

Pourquoi huit références et non vingt

Le premier document de cette série portait vingt sources parce que sa question — quelles structures de page survivent à la citation — dispose d’une vaste littérature. La présente question non. Chaque jeu de données public qui mesure la stabilité des citations à grande échelle appartient à l’une de cinq sociétés de suivi, et un seul article académique traite directement les statistiques. Alourdir la liste de commentaires secondaires aurait ajouté de la longueur et retiré de la traçabilité ; la liste s’arrête donc aux huit pages qui portent effectivement les chiffres utilisés ici. C’est un jugement sur ce qui peut être vérifié, non une affirmation que la littérature est mince.

Comment utiliser ce document

Comme une clé de lecture, non un verdict. Appliqué à un rapport de fournisseur, il pose trois questions dans l’ordre : quel étage ce chiffre mesure-t-il, quelle est sa taille d’échantillon, et quelle est sa fenêtre. La plupart des rapports échouent dès la première question. Cet échec n’est généralement pas de la malhonnêteté — c’est la sortie par défaut d’un outil conçu pour échantillonner une fois et afficher un pourcentage — mais c’est la raison pour laquelle deux fournisseurs crédibles peuvent publier des chiffres incompatibles pour la même marque le même mois sans qu’aucun des deux ne mente.

Les lecteurs qui veulent les sources primaires doivent s’y rendre directement. Ce document est une carte des points où les preuves s’accordent et où elles divergent ; les divergences sont plus utiles que n’importe quel résumé.

Chaque source ci-dessous a été ouverte et lue sur sa page primaire avant qu’un chiffre en soit cité. Aucun nombre de ce document n’est tiré d’une compilation secondaire. Lorsqu’un chiffre largement diffusé ne pouvait être rattaché à un original publié — le chiffre de 23 millions de citations discuté au §02 — il a été omis plutôt qu’attribué de façon vague.

1. 1 Sielinski, R. (2026). Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Recherche Measurement. arXiv:2603.08924v3 [stat.AP], 39 pages, 13 figures. First version 9 March 2026; revised 26 August 2026. arxiv.org/abs/2603.08924 PREPRINT ARXIV
2. 2 SISTRIX. (2026, 1er mai). AI Citation Drift: How stable are sources in AI search results? 82 619 requêtes qualifiées, 1 548 213 captures, 2 556 URL classées, six pays (DE, US, UK, IT, ES, FR), trois plateformes, 17 semaines (17 décembre 2025 – 8 avril 2026). sistrix.com/blog/ai-citation-drift FOURNISSEUR
3. 3 BrightEdge. (2026, 6 février). AI Recherche Citations: How Much Do They Really Change Week to Week? Captures hebdomadaires successives, semaine d’échantillon du 1er février 2026. help.brightedge.com — weekly AI search insights FOURNISSEUR
4. 4 Trakkr Research. (2026, 30 mars). The Half-Life of AI Citations (Study 009). 108 650 URL sur 200 marques échantillonnées parmi 960, huit modèles, fenêtre de 177 jours ; plus une série au niveau marque de 857 138 rapports quotidiens couvrant 10 991 marques. trakkr.ai/trakkr-research/citation-decay FOURNISSEUR
5. 5 Ahrefs. (2026, 29 octobre). How Stable Are AI Citations? 10 Things We Learned Tracking 37,500 Citations. Cinq outils IA, 20 jours de suivi quotidien. ahrefs.com/blog/how-stable-are-ai-citations FOURNISSEUR
6. 6 GetMentions AI. (2026, 9 juillet). AI Citation Volatility: A 530,875-Citation Study. 2 398 requêtes réelles issues de 56 comptes de marque, quatre moteurs, sept jours consécutifs, juin 2026 ; 67 144 réponses, 181 225 URL, 55 387 domaines, 46 259 comparaisons de paires de jours. Mesuré au niveau des domaines. getmentions.ai/blog/ai-citation-volatility-study FOURNISSEUR
7. 7 Trakkr. (2026). Trakkr Data — jeux de données de citations mis à jour en continu, à jour au 28 octobre 2026. Utilisé ici uniquement pour la part de liens cités une seule fois et pour la série quotidienne de pages vues. trakkr.ai/data FOURNISSEUR
8. 8 Trakkr. (2026). The Complete, Data-Backed Guide to Earning AI Citations. 1,3 million de citations sur 60 209 domaines, y compris les chiffres de concentration des domaines. trakkr.ai/guides/how-to-get-cited-by-ai FOURNISSEUR

Dr. Adrian Whitmore
Research Lead, Novaxilabs

Adrian dirige la recherche sur la mesure chez Novaxilabs, où il travaille sur les fondements statistiques du suivi des citations IA : combien d’échantillons exige une affirmation de visibilité, à quoi ressemble une mesure stable lorsque le système sous-jacent est stochastique, et où les chiffres publiés du domaine se contredisent.

C’est le deuxième document de la série. Le premier, Beyond Rankings — What Actually Gets a Page Cited in AI Answers, examinait quelles propriétés structurelles d’une page survivent à la sélection par un moteur de réponse. Celui-ci prend du recul et pose une question préalable : les chiffres employés pour rapporter cette sélection sont-ils assez précis pour signifier quoi que ce soit. Les deux documents travaillent exclusivement à partir de mesures tierces publiées ; Novaxilabs n’exploite aucun échantillon de suivi, et les données de sa propre plateforme ne servent pas de preuve ici. Les échanges sur la méthodologie, y compris les désaccords avec les lectures ci-dessus, sont bienvenus à info@novaxilabs.com.