Donnez à trois modèles d'IA deux produits de soin de la peau presque identiques, l'un d'une marque déjà connue du public et l'autre totalement inconnue, et le nom familier remporte la recommandation à chaque essai. C'est le résultat principal d'une étude de juin 2026 menée par les chercheurs Xi Chu et Yupeng Hou, qui ont confronté GPT-4o-mini, Claude Sonnet et Gemini Flash et mesuré ce qu'ils appellent un indice d'avantage de l'acteur établi (Incumbent Advantage Index) de 10,0, le score maximal possible. Cet avantage n'est pas permanent : il s'effondre dès qu'un signal réel apparaît. Cela compte pour toute marque qui cherche à construire une visibilité de marque LLM suffisamment forte pour être recommandée par un système d'IA, et pas seulement mentionnée par lui.
Ce que l'étude sur l'avantage de l'acteur établi a réellement mesuré
Chu et Hou ont mené trois expériences autour des produits de soin de la peau, une catégorie choisie parce que les acheteurs ne peuvent généralement pas juger la qualité avant l'achat et doivent se reposer sur la réputation de la marque. Avec des spécifications de produit identiques, les trois modèles ont recommandé la marque établie plutôt que la marque inconnue à chaque essai, produisant l'indice d'avantage de l'acteur établi maximal de 10,0. Un test de robustesse sur des biens de recherche, des produits dont la qualité est facile à vérifier avant l'achat, a montré que le même schéma se maintenait hors du secteur du soin de la peau.
Les chercheurs décrivent cela comme un monopole conditionnel (Conditional Monopoly) : l'avantage n'est pas une propriété fixe de la marque elle-même, c'est le produit des conditions dans lesquelles le modèle raisonne. Retirez tout signal distinguant les deux options et le modèle se rabat sur la familiarité, à la manière d'un acheteur qui attrape le nom qu'il reconnaît sur une étagère surchargée. C'est un biais différent de celui traité dans l'analyse de VizibleAI sur la façon dont les modèles d'IA jugent les marques inconnues d'après le sens littéral de leur nom, mais il aggrave le même risque pour les nouveaux entrants : un modèle choisira la marque qu'il connaît déjà même en l'absence de toute raison réelle de le faire.
Un monopole conditionnel, selon les termes mêmes de Chu et Hou : l'avantage de recommandation d'une marque connue se maintient entièrement quand aucun autre signal ne distingue les options, et disparaît dès qu'un signal apparaît.
L'avantage disparaît avec moins d'un dixième d'étoile
Un écart de notation inférieur à 0,1 étoile a suffi à mettre fin entièrement à la position dominante de l'acteur établi dans les tests de Chu et Hou. Cela rend le biais de recommandation IA en faveur des marques familières réel mais superficiel : il ne l'emporte que lorsque le modèle n'a rien d'autre sur quoi raisonner.
Dès que la marque inconnue disposait du moindre avantage objectif, même infime, le modèle a cessé de se rabattre sur le nom connu et a commencé à raisonner à partir des données réelles disponibles. C'est une image très différente de celle du classement des moteurs de recherche fondé sur les backlinks, où l'avantage d'un acteur établi peut prendre des années à s'éroder. Ici, il a fallu moins d'un dixième d'étoile.
Pour une marque challenger, la lecture pratique n'est pas de surpasser l'acteur établi en reconnaissance, un jeu perdu par définition. Il s'agit de s'assurer qu'un signal comparatif réel, une note ou une spécification vérifiée, soit visible et associé au produit dès le départ. Une startup qui crée sa propre catégorie, sans acteur établi à déloger et sans antécédents sur lesquels s'appuyer se heurte exactement à ce problème dès le premier jour.
Le langage marketing qui brise le monopole, et le risque qu'il cache
Les formulations d'autorité, y compris le langage de preuve clinique, ont suffi à surmonter l'avantage de l'acteur établi avec ce que les chercheurs appellent une valeur de surplus de biais (Bias Surplus Value) de 0,17 point de notation, à peu près le même poids persuasif qu'une amélioration de qualité réelle de 0,17 étoile, même quand la preuve clinique derrière l'affirmation était fabriquée.
Ce constat devrait inquiéter les équipes marketing et juridiques plutôt que les réjouir. La tactique a fonctionné dans l'étude précisément parce que les modèles ne pouvaient pas vérifier si l'affirmation clinique était réelle, ce qui signifie qu'elle fonctionnerait aussi bien pour une marque faisant une affirmation honnête et étayée que pour une marque qui en invente une. VizibleAI a traité séparément la fréquence à laquelle les moteurs IA se trompent sur les faits d'une marque, et qui en est responsable ; une marque qui s'appuie sur une affirmation invérifiable pour gagner une recommandation aujourd'hui construit sa visibilité sur le même terrain instable que ces cas. La version de cette tactique qui tient vraiment une fois vérifiée est la plus ennuyeuse : publier une affirmation réelle et vérifiable, avec les données derrière.
Quand toutes les marques appliquent le même plan GEO, l'avantage s'évapore pour tout le monde
L'optimisation coordonnée efface son propre gain. Quand toutes les marques de la simulation de Chu et Hou ont adopté la même stratégie d'optimisation pour moteurs génératifs, l'avantage individuel de chaque marque s'est effondré de 0,802 à 0,007 sur la mesure de gain des chercheurs, tandis que les marques qui n'y participaient pas du tout n'ont reçu aucune recommandation.
C'est la partie de cette recherche sur l'avantage de l'acteur établi que les fournisseurs de GEO, VizibleAI compris, ont moins intérêt à mettre en avant. Les premiers arrivants qui adoptent de vrais signaux de différenciation avant que leurs concurrents ne s'en aperçoivent captent un avantage large et mesurable. Le terrain se réaplanit une fois qu'une catégorie entière publie les mêmes affirmations comparatives, puisque le signal qui séparait autrefois les marques devient simplement la norme. Rester entièrement à l'écart de ce mouvement est la seule stratégie que les données excluent complètement : une marque qui ignore ce jeu n'est pas neutre, elle obtient zéro recommandation dans les mêmes tests. Connaître son AI Share of Voice actuel par rapport à ses concurrents est ce qui indique si l'on est en avance sur ce mouvement ou déjà en retard.
Une autre étude a mis un prix réel sur le même biais
Le biais d'orientation de marque ne se limite pas à un score de recommandation en laboratoire. Une expérience de 2026 rapportée dans ProMarket par Amit Zac et Michal Gal a donné à 265 participants un budget de courses de 15 euros et un assistant d'achat IA personnalisé, et la version de l'assistant qui orientait les utilisateurs vers des produits de marque plus chers a augmenté les dépenses moyennes de plus d'un euro, alors même que les notes d'Amazon ne montraient aucune différence de qualité significative entre les options.
Les participants à cette expérience ont déclaré une confiance moindre dans l'IA et ont trouvé la tâche plus difficile, mais ils ont malgré tout dépensé davantage, et aucun d'eux n'a détecté qu'il avait été orienté. Cette combinaison de confiance réduite, de dépenses accrues et de manipulation non détectée devrait inquiéter les équipes de marque davantage que le pourcentage de l'étude en laboratoire. Un score de recommandation dans un article de recherche est une chose ; un assistant d'achat déjà en service, orientant de vrais achats sans que l'acheteur en ait conscience, en est une autre. Les solutions proposées par Zac et Gal, parmi lesquelles des classements favorisant la diversité et des limites à l'orientation par les prix, visent les plateformes qui font fonctionner ces assistants, pas les marques recommandées.
Pourquoi les citations IA ne montrent pas le même biais que les recommandations IA
Le biais de recommandation et le biais de citation vont dans des directions opposées. La recherche GEO menée par Princeton a identifié un effet d'égalisation, dans lequel une source nettement en dehors des meilleurs résultats de recherche peut quand même obtenir une visibilité démesurée dans une réponse générée par l'IA, l'inverse de la domination de l'acteur établi mesurée par Chu et Hou dans les recommandations directes de produits.
La différence tient à ce que fait le système d'IA. Une tâche de citation rassemble des sources pour répondre à une question, où une page bien argumentée issue d'un domaine inconnu peut quand même être citée si elle répond précisément à la requête. Une tâche de recommandation choisit un seul gagnant entre des options, où le modèle se rabat sur la familiarité de la marque précisément quand il n'a rien d'autre sur quoi s'appuyer. Construire la reconnaissance d'entité, ce qui permet à un modèle de traiter une marque comme une chose connue et désambiguïsée plutôt que comme une chaîne de texte inconnue, est ce qui referme l'écart entre les deux résultats. La recherche distincte de VizibleAI sur ce qui prédit réellement les citations IA et son article sur la raison pour laquelle les données d'entité comptent autant pour les moteurs IA pointent tous les deux vers le même levier : devenir reconnaissable pour le modèle avant d'avoir besoin qu'il vous choisisse.
Questions fréquemment posées
Le biais de recommandation IA en faveur des marques établies se confirme-t-il vraiment sur différents modèles d'IA ?
Oui. Dans le test spécifique mené par Chu et Hou, GPT-4o-mini, Claude Sonnet et Gemini Flash ont tous privilégié la marque établie avec des spécifications identiques, produisant l'indice d'avantage de l'acteur établi maximal de 10,0. Les chercheurs notent que les trois modèles réagissent différemment une fois qu'une affirmation marketing est introduite : le biais est donc constant au niveau de base, mais pas identique dans la façon dont chaque modèle peut en être détourné.
Quel avantage concurrentiel une marque challenger doit-elle avoir pour surmonter le biais en faveur de l'acteur établi dans les recommandations IA ?
Dans l'étude, un avantage de notation inférieur à 0,1 étoile a suffi à mettre fin entièrement à la position dominante de l'acteur établi. C'est un avantage bien plus faible que ce qui fait habituellement bouger les classements de recherche organique, ce qui suggère que le biais est superficiel plutôt que structurel : il ne tient que lorsque le modèle n'a véritablement aucun autre signal sur lequel raisonner.
Vaut-il la peine de faire des affirmations marketing audacieuses pour gagner une recommandation IA ?
L'étude montre que le langage d'autorité et de preuve clinique peut surmonter le biais de l'acteur établi avec une valeur de surplus de biais de 0,17 point de notation, mais les chercheurs ont testé cela avec des affirmations fabriquées que les modèles ne pouvaient pas vérifier. Faire une affirmation non étayée expose au même risque d'hallucination et de responsabilité traité ailleurs sur ce site ; une affirmation réelle et vérifiable produit le même gain sans ce risque.
Ce biais en faveur de l'acteur établi s'applique-t-il aussi aux citations IA, et pas seulement aux recommandations IA ?
Non, et la direction s'inverse même. Les tâches de citation montrent un effet d'égalisation, où une source moins bien classée ou inconnue peut quand même être citée dans une réponse générée par l'IA si elle répond précisément à la requête. C'est dans les tâches de recommandation, où le modèle choisit un seul gagnant entre des options, que la familiarité avec la marque établie prend le dessus par défaut.
Que devrait faire une marque challenger en priorité face à cette recherche ?
Mesurer où se situe réellement la marque aujourd'hui plutôt que supposer que le biais s'applique partout de la même façon ; l'étalonnage de l'AI Share of Voice montre que l'écart varie beaucoup selon la catégorie et le moteur. Ensuite, donner la priorité à l'association d'un différenciateur vérifiable et précis, une note ou une certification, à la marque partout où un système d'IA pourrait la rencontrer.