Classement dans ChatGPT : la position n'existe pas

« Nous sommes à quelle position sur ChatGPT ? » La question revient dans presque chaque réunion sur la visibilité IA, et elle part d'un malentendu. Un classement dans ChatGPT n'est pas quelque chose que votre marque détient. C'est une propriété d'une réponse isolée, et la réponse suivante à la même question en aura généralement une autre. La question à laquelle on peut répondre est différente : sur un grand nombre de réponses, combien de fois l'assistant vous cite-t-il ?

Ce n'est pas une querelle de vocabulaire : des décisions se prennent sur ce chiffre. « Troisièmes sur ChatGPT pour les pompes industrielles » finit dans un comité de direction, se lit comme une troisième place sur Google, c'est-à-dire comme une place acquise, et le mois suivant quelqu'un demande pourquoi on est passé cinquième. Cet article démonte ce chiffre, hypothèse par hypothèse, puis propose ce qu'il faut mesurer à la place et combien d'exécutions une mesure exige.

Ce qu'une mesure fiable compte vraiment : la fréquence de citation

La fréquence de citation est la part des réponses, sur un nombre d'exécutions annoncé, dans lesquelles l'assistant nomme votre marque. « Citée dans 7 réponses sur 10 » est une fréquence de citation. « Troisième » n'en est pas une.

Une fréquence est conçue pour absorber la variabilité au lieu de s'y laisser prendre. Chaque exécution est un échantillon. Si l'assistant vous nomme dans certaines et vous oublie dans d'autres, le chiffre enregistre exactement cela, et il reste comparable d'une mesure à l'autre tant que les questions, la langue et l'assistant ne changent pas.

Une fréquence de citation ne voyage jamais seule. Elle s'accompagne de trois informations : le nombre d'exécutions derrière elle, la langue des questions, l'assistant interrogé. Une fréquence sans nombre d'exécutions, c'est un classement déguisé.

Classement dans ChatGPT : pas de liste fixe

Un classement Google est un ordre calculé sur un index qui existe avant votre requête. Deux personnes qui cherchent la même chose à une minute d'intervalle voient à peu près la même page. Derrière une réponse générée, il n'y a rien de tel. Le modèle écrit mot après mot, en choisissant à chaque étape parmi des suites plausibles, et une liste de marques n'est faite que de mots, comme le reste. Les raisons de cette variabilité sont détaillées dans pourquoi les réponses des IA changent à chaque fois. Ce qui compte ici, c'est la conséquence sur la position.

Le 28 janvier 2026, SparkToro a publié un test conçu précisément pour cela. Environ 600 volontaires ont soumis 12 demandes de recommandation de marques à ChatGPT, à Claude et à l'IA de Google (AI Overviews ou AI Mode), soit 2961 exécutions au total. Les auteurs estiment que la probabilité que ChatGPT ou l'IA de Google renvoie la même liste de marques dans deux réponses sur 100 est inférieure à 1 sur 100. Pour retrouver la même liste dans le même ordre, il faudrait plutôt compter sur un millier d'exécutions. Claude se répétait un peu plus, sans que cela change le tableau.

La « position zéro » n'a pas d'héritière

Le référencement français a fait d'une expression un objectif à part entière : la « position zéro », l'extrait mis en avant au-dessus des résultats Google. Pendant des années, décrocher la position zéro a été un objectif affiché dans les cahiers des charges et les rapports d'agence. Il est naturel de chercher son équivalent dans les assistants.

Il n'existe pas. Dans une réponse de ChatGPT ou de Perplexity, toute la réponse occupe la place qu'occupait l'extrait. Il n'y a pas de case au-dessus des autres à conquérir : il y a un texte, dans lequel votre marque figure ou ne figure pas, avec plus ou moins de détails, et ce texte se réécrit à chaque demande. Promettre la « position zéro de ChatGPT », c'est vendre un emplacement qui n'a pas d'adresse fixe.

Ce qui survit de cette habitude est utile, en revanche : l'idée qu'on ne gagne pas une requête une fois pour toutes, mais qu'on y est présent plus ou moins souvent. Transposée aux assistants, cette idée s'appelle une fréquence, pas une position.

Reste l'ordre des noms dans la réponse affichée, et rien n'indique qu'il traduise une préférence. Un assistant qui énumère des fournisseurs ne trie pas un tableau par score. Il peut commencer par le nom qu'il a lu le plus souvent, regrouper les autres par type de produit, placer l'option locale en dernier parce que la question mentionnait un pays. L'ordre sort du même processus que les phrases qui l'entourent, et il est soumis au même tirage. Dans les données de SparkToro, c'est même l'élément le moins stable : la composition de la liste bougeait, l'ordre bougeait bien davantage.

Et la position écrase une différence qui compte. Être nommé en tête d'une énumération rapide, ou en troisième avec un paragraphe qui explique pourquoi vous correspondez au besoin de l'acheteur : ce ne sont pas deux situations que les chiffres 1 et 3 classent correctement.

Une réponse ne représente pas les autres

C'est l'hypothèse qui fait le plus de dégâts, parce que c'est par elle qu'une capture d'écran arrive dans un comité.

Le 14 juillet 2026, Dmitrij Żatuchin a déposé sur arXiv une prépublication (2607.13304) qui cherche d'où vient le bruit dans les réponses sur les marques. Elle porte sur 12 933 réponses concernant 20 marques d'Europe centrale et orientale, dans 8 langues, issues de trois modèles : GPT-5.2, Gemini 3 Flash et Perplexity. Elle mesure le ton employé pour parler de chaque marque, pas le fait qu'elle soit citée : ce n'est donc pas un test direct des citations. Mais la structure du bruit qu'elle met au jour vaut aussi ici.

Deux résultats intéressent quiconque lit une position. D'abord, sur une échelle où 1 correspond à une fiabilité parfaite, une réponse isolée obtient environ 0,01 quand il s'agit de classer les marques entre elles. Le dispositif complet, qui croise questions, langues et modèles, atteint environ 0,36. Ensuite, la langue de la question est la plus grande source de variation systématique, plus grande que l'identité de la marque elle-même.

Pour une entreprise française qui exporte, la conséquence est directe. Mesurer en français ne dit presque rien de ce que l'assistant répond à un acheteur allemand ou italien. La même marque, interrogée dans deux langues, peut ressembler à deux marques différentes.

Combien de répétitions faut-il ?

Le calcul se vérifie avec n'importe quel calculateur de loi binomiale.

Dix exécutions, votre marque présente dans 5 réponses. Au niveau de confiance que l'on retient habituellement, la fréquence réelle se situe quelque part entre 2 sur 10 et 8 sur 10 environ. Dix exécutions ne permettent pas de distinguer une marque presque toujours citée d'une marque rarement citée. Passer de 4 sur 10 le mois dernier à 6 sur 10 ce mois-ci n'est pas un changement : c'est la même incertitude, vue deux fois.

Pour cerner une fréquence proche de la moitié à 10 points près, il faut une centaine de réponses indépendantes. À 5 points près, environ 385. Voilà pourquoi mesurer plus souvent ne veut pas dire mesurer mieux.

La prépublication de Żatuchin précise d'où ces réponses doivent venir. La pratique courante consiste à répéter chaque question environ cinq fois, et au-delà de la cinquième répétition, chaque exécution supplémentaire ne réduisait presque plus l'erreur. À budget égal, ajouter des langues et des modèles la réduisait bien davantage. Concrètement :

• Cent réponses obtenues en répétant cent fois la même question mesurent très précisément cette question, et à peine votre marché.
• Cent réponses tirées de vingt questions répétées cinq fois chacune, sur les assistants et dans les langues de vos acheteurs, s'approchent de la façon dont le marché vous voit.
• Une fréquence agrégée masque le détail : gardez sous le chiffre global les résultats par question et par langue.

Ce que fait PSentry, et ce qu'il ne fait pas

C'est sur ce raisonnement que nous avons construit PSentry : l'outil pose les questions de votre marché à ChatGPT, Claude, Gemini et Perplexity, dans chaque langue où vous vendez, à raison de deux analyses par mois, et en tire un score de visibilité par langue. Aucune analyse n'est un verdict définitif : c'est un échantillon elle aussi, et l'information se trouve dans l'évolution d'une analyse à l'autre. Nous ne modifions pas ce que disent les assistants. Nous le comptons.

La prochaine fois qu'on vous annonce un classement dans ChatGPT, une seule question suffit : sur combien de réponses ? Si on vous montre une capture d'écran, la position est vraie pour cette capture, et pour rien d'autre.

Ce que les directions marketing demandent ensuite

Peut-on viser la « position zéro » dans ChatGPT ?

Non, parce qu'elle n'existe pas. Dans une réponse d'assistant, c'est le texte entier qui occupe la place de l'ancien extrait, et ce texte se réécrit à chaque demande. La seule chose qu'on peut suivre, c'est la fréquence à laquelle votre marque y figure.

Pourquoi notre classement dans ChatGPT change-t-il d'un mois à l'autre ?

Parce que chaque réponse est générée mot après mot, et que la liste des marques comme leur ordre varient presque à chaque fois. Passer de troisième à cinquième ne signale donc pas forcément un changement : c'est souvent la lecture de deux réponses différentes.

Quelle différence entre un classement et une fréquence de citation ?

Un classement décrit la place d'une marque dans une réponse isolée. Une fréquence de citation indique dans quelle part des réponses, sur un nombre d'exécutions annoncé, l'assistant nomme la marque : c'est elle qui reste comparable d'une mesure à l'autre, à condition de garder les mêmes questions, la même langue et le même assistant.

Une entreprise qui exporte doit-elle mesurer chaque langue séparément ?

Oui. La langue de la question fait varier les réponses davantage que l'identité de la marque elle-même, si bien qu'une mesure en français ne renseigne presque pas sur ce que lit un acheteur allemand ou italien.