Écart d'attribution

L'écart d'attribution est la différence numérique entre le nombre de sources qu'un système d'IA consulte réellement pour construire une réponse et le nombre de ces sources qu'il cite visiblement dans la réponse montrée à l'utilisateur.

Pourquoi c'est important

Les systèmes d'IA lisent généralement plus de sources qu'ils n'en créditent, ce qui signifie que le contenu d'une marque peut réellement influencer le fond d'une réponse sans que cette marque n'apparaisse jamais dans la liste de citations visible. C'est un rappel que le seul comptage des citations peut sous-estimer l'influence réelle d'une marque sur ce que disent ces systèmes.

Un cadre de mesure publié en 2026 par Zhang Kai, He Xinyue et Yao Jingang, portant sur 602 prompts, a montré qu'une recherche web se déclenchait sur 98,6 % des prompts ChatGPT et sur la quasi-totalité des prompts Google AI Overviews et Perplexity. Les réponses n'affichaient pourtant en moyenne que 6,9 citations sur ChatGPT, 12,1 sur AI Overviews et 16,4 sur Perplexity, chacune tirée d'un ensemble de candidats bien plus large. Sur Perplexity, le benchmark de Peec AI de février 2026 a constaté que 64 % des URL récupérées n'étaient jamais citées dans la réponse finale.

Le seul comptage des citations sous-estime donc le rôle d'une page. Suivez trois choses séparément : si la page est récupérée, si elle est citée, et quelle part de son texte la réponse reprend. Notre analyse de l'écart entre récupération et citation explique comment repérer l'étape qui bloque.

Termes associés