# Point de terminaison du chat IA : consultez les réponses et les sources des modèles de langage de grande envergure (LLM) géolocalisées


Le point de terminaison du chat IA de Massive renvoie la réponse fournie par ChatGPT, Gemini ou Perplexity à une requête, telle qu’elle a été formulée à partir d’un appareil réel situé dans le pays, la région ou la ville de votre choix. Une requête `GET` renvoie la réponse complète, les sources citées par le modèle et, pour ChatGPT, les requêtes de recherche qu’il a effectuées pour élaborer la réponse.

Cela revêt une importance particulière, car les réponses fournies par l’IA ne constituent plus un canal de niche. Environ la moitié des adultes américains utilisent désormais des chatbots basés sur l’IA, et environ quatre sur dix s’en servent pour rechercher des informations, selon [l’enquête 2026 du Pew Research Center](https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/) menée auprès de 5 119 adultes. Si une part croissante des recherches aboutit à un chatbot, les équipes ont besoin d’un moyen fiable de voir ce que dit ce chatbot.

> **Points clés à retenir**
>
> - Le point de terminaison « chat IA » (`/ai`) est l’un des trois points de terminaison de la plateforme Web Render API de Massive, aux côtés de la [navigation](https://docs.joinmassive.com/web-render/browser) et de la [recherche](https://docs.joinmassive.com/web-render/search).
> - Trois modèles : ChatGPT (par défaut), Gemini et Perplexity.
> - Les réponses comprennent la réponse finale, ses sources, les éventuelles publicités et, pour ChatGPT, le tableau `fanouts` des requêtes sur lesquelles le modèle a effectué sa recherche.
> - Le ciblage géographique va jusqu’au niveau de la ville, car les chatbots adaptent leurs réponses en fonction de la localisation apparente de l’utilisateur.
> - Le mode asynchrone, associé à des rappels, permet de traiter de grands lots de données.

## Ce que renvoie le point de terminaison du chat IA

Le point de terminaison du chat IA se trouve à l’adresse `https://render.joinmassive.com/ai` et accepte une requête de 2 047 caractères maximum. Vous choisissez le modèle avec `model=chatgpt`, `model=gemini` ou `model=perplexity`, et la localisation avec n’importe quelle combinaison de `country`, `subdivision` et `city`. La réponse est renvoyée au format structuré `json` (par défaut) ou au format HTML `rendered`.

La réponse JSON divise la conversation en parties que vous pouvez analyser séparément :

| Champ | Contenu | Modèles |
|-------|---------------|--------|
| `completion` | Code HTML généré à partir de la réponse du modèle | ChatGPT, Gemini, Perplexity |
| `sources` | Code HTML généré des sources citées, le cas échéant | ChatGPT, Gemini, Perplexity |
| `ads` | Code HTML généré des publicités affichées dans la conversation | ChatGPT, Gemini, Perplexity |
| `html` | La page complète de la conversation | ChatGPT, Gemini, Perplexity |
| `fanouts` | Tableau des requêtes de recherche exécutées par le modèle | ChatGPT uniquement |
| `sse` | Le JSON des événements envoyés par le serveur sous-jacents à la conversation | ChatGPT uniquement |

Chaque réponse renvoie également les `country`, `subdivision`, `city` et `device` avec lesquels il a fonctionné. Cela permet à chaque ligne d’être auto-descriptive lorsque vous en stockez des milliers. La liste complète des champs se trouve dans la [documentation sur les chats IA](https://docs.joinmassive.com/web-render/ai).

## Un exemple concret : une requête provenant de Portland

Voici la requête utilisée par la documentation de Massive pour illustrer le point de terminaison. Elle demande à ChatGPT de recommander des chaussures de basket depuis un appareil situé à Portland :

```shell
curl -H "Authorization: Bearer $MASSIVE_TOKEN" \
'https://render.joinmassive.com/ai'\
'?prompt=best+basketball+shoes+for+2026'\
'&country=us'\
'&city=Portland'
```

La réponse documentée comprend la réponse et les sources au format HTML, ainsi que ce `fanouts` tableau :

```json
"fanouts": [
  "best basketball shoes 2026",
  "top rated basketball shoes 2026 reviews",
  "best performance basketball shoes 2026",
  "best basketball shoes for guards 2026",
  "best basketball shoes for wide feet 2026",
  "best outdoor basketball shoes 2026",
  "most popular basketball shoes 2026"
]
```

Lisez cette liste comme le ferait une équipe chargée de la gestion des marques. Le modèle ne s’est pas contenté de rechercher la question qui lui a été posée. Il a divisé la question en sept recherches plus ciblées, notamment les arrières, les pieds larges et les terrains en extérieur. Une marque de chaussures qui n’apparaît jamais dans les résultats de recherche pour « pieds larges » n’a aucune chance d’être mentionnée dans cette partie de la réponse, quelle que soit la qualité de sa page générale.

## Pourquoi les réponses des chatbots IA varient-elles en fonction de la localisation ?

Les chatbots s’adaptent à la localisation. L’[article d’aide à la recherche de ChatGPT](https://help.openai.com/en/articles/9237897-chatgpt-search) publié par OpenAI indique que ChatGPT peut estimer la localisation générale d’un utilisateur à partir de son adresse IP. Il peut alors reformuler une requête telle que « bons restaurants près de chez moi » en une recherche de restaurants dans cette ville.

Cet effet se manifeste au-delà des requêtes locales. Une étude menée par Whitebox, [rapportée par Ynetnews](https://www.ynetnews.com/tech-and-digital/article/skilyoscwx), a consisté à envoyer des requêtes identiques à ChatGPT depuis Israël, les États-Unis, la Turquie et l’Espagne. Elle a révélé des « réponses globalement similaires mais non identiques », le modèle adaptant le ton et la formulation en fonction de la localisation et de la langue de l’utilisateur. (Whitebox analyse la manière dont les marques et les pays apparaissent dans les réponses générées par l’IA ; les effets liés à la localisation sont donc au cœur de son activité.)

Nous avons constaté le même phénomène lors de nos propres tests. Dans une étude menée en juin 2026 via ce point de terminaison, nous avons envoyé 270 requêtes localisées à ChatGPT, Gemini et Copilot depuis cinq pays. (Les modèles actuellement pris en charge par ce point de terminaison sont ChatGPT, Gemini et Perplexity.) Gemini a refusé de répondre aux questions relatives aux jeux d’argent posées depuis le Royaume-Uni et l’Allemagne, alors qu’il y répondait librement ailleurs. Le classement d’une marque pouvait varier de deux places selon l’assistant auquel nous nous adressions. Les résultats complets figurent dans [Visibilité des marques par l’IA : l’IA a ses favoris, mais elle ne vous dénigrera pas](https://www.joinmassive.com/blog/ai-brand-visibility-ai-plays-favorites-it-wont-trash-you).

En d’autres termes : une réponse vérifiée depuis un seul bureau ne constitue qu’un échantillon unique.

Massive achemine chaque requête via un appareil grand public sur son [réseau résidentiel](https://docs.joinmassive.com/residential/introduction), qui couvre plus de 195 pays. Le chatbot interagit avec un utilisateur local ordinaire, et non avec un centre de données. Si vous ne définissez pas `country`, la documentation indique qu’un pays est choisi au hasard ; veillez donc à le définir pour chaque requête que vous prévoyez de comparer au fil du temps.

Vous pouvez également émuler un téléphone ou une tablette. Appelez la ressource `/ai/devices` pour obtenir la liste des noms d’appareils pris en charge, puis transmettez-en un en tant que `device`. Sans cela, vous obtiendrez la réponse par défaut pour ordinateur de bureau.

## Fanouts : comment ChatGPT a construit sa réponse

Les « fanouts » constituent la partie de la réponse que nous recommanderions en premier lieu à un nouvel utilisateur. Une suggestion vous montre la réponse. Les « fanouts » vous montrent le cheminement de recherche qui se cache derrière celle-ci.

Cela s’avère utile de trois manières concrètes :

1. **Lacunes de contenu.** Chaque « fanout » correspond à une requête pour laquelle vous êtes bien classé ou non.
2. **Évaluation du modèle.** Si vous évaluez les réponses d’un LLM, les « fanouts » permettent de distinguer deux types d’échecs qui semblent identiques dans la suggestion : soit le modèle a mal raisonné sur de bons résultats, soit il a recherché la mauvaise information et n’a jamais trouvé les bons résultats.
3. **Suivi des changements.** Les « fanouts » peuvent varier d’une exécution à l’autre ; ainsi, la liste du mois dernier ne correspondra peut-être pas au brief de ce mois-ci.

Une méthode simple pour mettre en pratique cette troisième utilisation :

- Choisissez entre 20 et 50 requêtes que vos clients posent réellement, puis définissez les paramètres `country` et `city` pour chacune d’entre elles.
- Exécutez-les chaque semaine avec le paramètre `expiration=0` afin qu’aucune réponse mise en cache ne masque un changement.
- Enregistrez le tableau `fanouts` de chaque exécution, puis comparez-le à celui de la semaine précédente sous forme d’ensemble : nouvelles requêtes, requêtes supprimées, requêtes inchangées.
- Considérez chaque nouvelle répartition comme une question relative au contenu. Disposez-vous d’une page qui y répond ?

Les fanouts étant de simples chaînes de caractères, cette comparaison ne nécessite que quelques lignes de code, quel que soit le langage utilisé. Aucune analyse syntaxique HTML n’est requise.

Une contrainte à prendre en compte : la documentation précise que `fanouts` et `sse` sont réservés à ChatGPT, et indique que seuls certains modèles exposent ces requêtes. Pour Gemini et Perplexity, vous obtenez toujours les suggestions, les sources et les publicités, mais pas le chemin de recherche.

## Exécution de requêtes de chat IA à grande échelle

Selon la documentation, les suggestions en temps réel prennent en moyenne plusieurs secondes. Le point de terminaison autorise jusqu’à 3 minutes par appel, car certaines conversations nécessitent des tentatives répétées. Pour des vérifications ponctuelles, le mode synchrone par défaut convient. Pour surveiller des centaines ou des milliers de requêtes, utilisez le mode asynchrone.

Ajoutez `mode=async` et l’API renvoie immédiatement un identifiant de tâche. Renvoyez cet identifiant avec `GET /ai?id=...` pour récupérer la réponse, ou obtenez un statut `retrieving` ou `failed`. Au lieu d’effectuer un polling, vous pouvez définir `callback` sur une URL HTTPS ou une file d’attente Amazon SQS, et Massive l’avertira lorsque le résultat sera prêt. La [documentation sur la planification](https://docs.joinmassive.com/web-render/scheduling) couvre ces deux cas de figure.

La mise en cache nécessite une décision. Par défaut, une réponse est mise en cache pendant un jour. Définissez `expiration=0`, comme dans la recette de suivi ci-dessus, chaque fois qu’une réponse mise en cache pourrait masquer une modification.

## Qui utilise le point de terminaison de chat IA

Massive ne développe pas de tableaux de bord d’IA pour la veille de marque. Le point de terminaison de chat IA constitue la couche d’infrastructure sous-jacente à ces derniers. Les plateformes d’optimisation du moteur génératif (GEO) et d’optimisation du moteur de réponse (AEO) ont besoin d’une couverture géographique, d’une émulation d’appareils, ainsi que de données sources et de diffusion propres avant de pouvoir établir des analyses. Massive prend en charge cette couche afin que leurs équipes puissent consacrer leur temps à l’analyse pour laquelle leurs clients paient.

Une question légitime pour n’importe laquelle de ces plateformes est de savoir si une réponse fournie par l’API correspond à ce qu’une personne voit dans l’application. Nous l’avons testé : sur 30 catégories de marques, `/ai` sur `model=gemini` ont produit un classement des marques statistiquement indiscernable de celui de l’application Gemini (après connexion) sur 26 des 30 sujets, ce qui correspond à peu près à la cohérence de l’application d’une exécution à l’autre. La méthodologie et les mises en garde figurent dans [Les appels IA basés sur des API constituent-ils un bon indicateur de ce que vos utilisateurs voient réellement ?](https://www.joinmassive.com/blog/are-api-based-ai-calls-a-good-proxy-for-what-your-users-actually-see)

Deux autres groupes utilisent les mêmes données :

- **Les équipes d’évaluation des LLM**, qui ont besoin de la réponse en temps réel fournie aujourd’hui par un modèle, et non d’un instantané mis en cache, pour l’évaluation.
- **Les développeurs de RAG et d’agents**, qui comparent ce que dit un modèle de pointe aux résultats de leur propre pipeline. Notre guide sur [l’ancrage des LLM avec des données Web en temps réel](https://www.joinmassive.com/blog/llm-grounding-with-live-web-data-a-practical-guide) traite de ce cas de figure, tandis que [comment donner aux agents IA un accès au Web en temps réel](https://www.joinmassive.com/blog/how-to-give-ai-agents-live-web-access) aborde les aspects liés à la navigation et à la recherche.

Pour en savoir plus sur l’évolution plus large du marché à l’origine de cette demande, consultez notre [rapport sur l’état du secteur des données Web](https://www.joinmassive.com/blog/state-of-the-web-data-industry-2026).

## Foire aux questions

### Quels modèles le point de terminaison de chat IA prend-il en charge ?

ChatGPT, Gemini et Perplexity. ChatGPT est le modèle par défaut lorsque vous ne transmettez pas de paramètre `model`.

### Que sont les « fanouts » dans l’interface de chat IA ?

Les « fanouts » correspondent aux requêtes de recherche exécutées par ChatGPT pour élaborer sa réponse ; ils sont renvoyés sous forme de tableau dans la réponse JSON. Elles ne sont disponibles que pour ChatGPT.

### Puis-je voir ce que dit un chatbot IA dans une ville spécifique ?

Oui. Définissez `country`, et éventuellement `subdivision` et `city`, dans la requête. La requête est envoyée depuis un véritable appareil grand public situé à cet endroit ; le chatbot adapte donc sa réponse comme il le ferait pour un utilisateur local.

### Massive remplace-t-il une plateforme AEO ou une plateforme de veille de marque par IA ?

Non. Massive fournit l’infrastructure nécessaire aux requêtes : emplacements, appareils, ainsi que les réponses structurées, les sources et les répartitions. Les plateformes AEO s’appuient sur cette infrastructure pour créer leurs tableaux de bord et leurs analyses.

### Comment puis-je exécuter des milliers de requêtes de chatbot IA sans maintenir les connexions ouvertes ?

Utilisez `mode=async` pour mettre chaque requête en file d’attente et collecter les résultats par ID de tâche, ou configurez `callback` sur une URL HTTPS ou une file d’attente Amazon SQS afin d’être averti lorsque chaque réponse est prête.

## Conclusion

Ce que ChatGPT, Gemini ou Perplexity disent de votre marque dépend de la personne qui pose la question et de l’endroit d’où elle provient. Avec `/ai`, vous pouvez poser des questions depuis n’importe quelle ville sur un appareil réel et conserver l’historique complet : réponse, sources, publicités et, pour ChatGPT, chaque recherche effectuée par le modèle. Commencez par consulter la [documentation sur le chat IA](https://docs.joinmassive.com/web-render/ai). Le bilan de Massive en matière de sécurité et de conformité est disponible sur le [Massive Trust Center](https://trust.joinmassive.com), et vous trouverez plus d’informations sur l’équipe sur notre [page « À propos »](https://www.joinmassive.com/about-us).