Évaluez la visibilité de votre marque grâce à l'IA avec Fable et Massive Web Render

Fable, le tout dernier modèle d'Anthropic, est un excellent analyste AEO. Confiez-lui votre marque et votre catégorie, et il analysera les questions liées à l'achat, vous indiquera les marques qu'il recommanderait et vous dira où vous en êtes. Nous avons été impressionnés. Mais il y a une limite, et ce n'est pas le modèle. Fable ne peut vous dire que ce qu’il pense, quel que soit l’endroit où il est utilisé. Vos acheteurs n’utilisent pas tous Fable, et ils ne vivent pas tous dans votre pays. Massive C’est Web Render qui permet de dépasser cette limite.

Points à retenir

• Fable peut réaliser un véritable audit de la visibilité de votre marque sur les réseaux sociaux à partir d'une simple commande, sans nécessiter d'outils supplémentaires.
• Un seul modèle provenant d'un seul site ne constitue qu'une vision partielle. Deux séries de la même question donnent une liste de marques identique avec une probabilité inférieure à 1 sur 100 (SparkToro(2026).
• Les réponses divergent également fortement d'un moteur à l'autre : ce que ChatGPT cite et recommande ne recoupe pratiquement pas les résultats de Perplexity (GPTrends, par l'intermédiaire de LBZ Advisory(2026).
• Avec Massive Web Render's /ai Depuis un terminal, Fable peut interroger ChatGPT, Gemini, Perplexity et Copilot à partir d'appareils réels dans plus de 195 pays et afficher les sources citées par chacun d'entre eux.

Que peut vous révéler Fable en soi ?

Beaucoup. Dirigez Fable vers votre catégorie et l'outil se glissera dans la peau de l'acheteur, posera les questions qu'un véritable acheteur se poserait et vous indiquera si c'est vous ou vos concurrents qui apparaissez en premier. Aucune configuration n'est nécessaire. L'astuce consiste à ne jamais mentionner votre propre marque dans les questions, sinon le modèle se contentera de la répéter et l'audit deviendra un simple miroir. Posez des questions au niveau de la catégorie et l'analyse sera honnête.

Voici le sujet conceptuel : et

Vous êtes analyste chez AEO. Ma marque est <MARQUE>, nous vendons <CE QUE VOUS VENDEZ>,
notre marché est <PAYS>.

Rédigez cinq questions d'achat au niveau de la catégorie qu'un acheteur réel taperait. Ne
mentionnez jamais ma marque dans ces questions. Répondez à chacune d'elles comme vous le feriez normalement, puis pour chaque
question, indiquez-moi :
- avez-vous cité <MARQUE> ?
- quels concurrents avez-vous cités en premier ?
- quelles sources citeriez-vous ?

Terminez par un rapport au format HTML.

Voici le véritable message d'invite à votre disposition.

Brand Visibility Audit — Lightweight Prompt
You are running a "Brand Visibility Audit": an assessment of how you, the AI, currently mention and cite a brand when real buyers ask about its category.
Step 1 — Short interview (one message, no preamble)
Ask me only these three things as a numbered list, then wait:

1. Brand / product name (plus any common misspellings or alternate names)
2. Primary website domain
3. Industry / category, phrased the way a customer would describe it
Step 2 — Auto-derive (do not ask me)
From my three answers, you determine on your own:

* 3 to 6 direct competitors in this category
* 5 high-converting questions a potential buyer asks right before purchase
Briefly restate the brand, the competitors you picked, and the 5 questions in one short block so I can see your assumptions. Do not wait for confirmation unless I object.
Step 3 — Run the audit
For each of the 5 buying questions:

* Answer naturally as you would for a stranger who never named my brand. Do not inflate or foreground my brand because I told you about it. Hold it to the same bar as every competitor. Be honest when it does not come up.
* Track which brands you named and in what order (share of mentions).
* Use web search and track which domains you cited, flagging whether each is one of my own domains (share of citations).
Step 4 — Return an HTML artifact
Immediately produce a single self-contained HTML artifact titled "Brand Visibility Audit — [brand], [today's date]" showing:

* A scorecard: mention rate (% of the 5 questions where my brand appeared), own-domain citation rate, and whether my brand is the default recommendation (Y/N).
* A share-of-mentions chart: every brand ranked by how often it was named across the 5 questions, with my brand highlighted.
* A share-of-citations chart: the domains you cited, ranked by frequency, flagging my own domains.
* A per-question table: question, brands named in order, was my brand named (Y/N), position.
* A one-paragraph diagnosis of why my brand shows up where it does and vanishes where it does not.
Bias rule (applies throughout)
You now know which brand is mine. That is exactly the bias a real buyer's chat would not have. Answer as a neutral stranger every time.

Ce résultat est utile, et pour une évaluation rapide en cinq minutes, c'est la solution la plus rapide qui soit. Mais remarquez ce qu’elle a réellement mesuré : la manière dont un modèle, en se basant sur son propre apprentissage et quel que soit l’endroit où il est hébergé, parle de votre catégorie. Il s’agit d’un seul apprentissage et, quel que soit l’endroit où il est hébergé, il parle de votre catégorie. C’est un seul point de données déguisé en verdict.

Pourquoi un seul modèle provenant d'un seul site ne suffit-il pas ?

Optimisation pour les moteurs de recherche (AEO) Il s'agit de faire en sorte que votre marque soit mentionnée et citée dans les réponses générées par l'IA. Il est plus difficile qu'il n'y paraît d'en mesurer efficacement l'impact, car les réponses ne sont pas figées et ne concordent pas toujours entre elles. SparkToro et Gumshoe ont testé les mêmes requêtes de recommandation de marques à des dizaines de reprises sur les principaux assistants vocaux. Deux réponses avaient moins d'une chance sur 100 de renvoyer le même ensemble de marques, et environ une chance sur 1 000 pour le même ordre (SparkToro, janvier 2026). SE Ranking a constaté que le mode IA de Google ne présentait qu'un chevauchement de 9,2 % lors de trois exécutions effectuées le même jour pour une même requête (Classement SE, juin 2025). Une simple capture d'écran ne prouve donc presque rien. Un véritable audit pose de nombreuses questions et s'attache à dégager une tendance plutôt qu'à se contenter d'une seule réponse.

Sources : SparkToro (2026), SE Ranking (2025), GPTrends via LBZ Advisory (2026). Les réponses fournies par l'IA sont rarement cohérentes entre elles, et encore moins d'un moteur à l'autre.

Il y a ensuite la divergence entre les moteurs. Selon une analyse de 2026, seuls environ 11 % des domaines cités par ChatGPT sont également cités par Perplexity, et le chevauchement des marques recommandées avoisinait les 25 % (GPTrends, par l'intermédiaire de LBZ Advisory, avril 2026). Chaque moteur privilégie des critères différents : les citations institutionnelles, les nouvelles données structurées, les discussions au sein de la communauté. Réussir dans l’un ne vous apporte que très peu dans l’autre.

La géographie vient encore compliquer le tableau. Les assistants IA s'appuient sur des sources locales et s'affichent dans les résultats de recherche locaux ; ainsi, les marques qu'ils citent aux États-Unis diffèrent souvent de celles mentionnées au Royaume-Uni, en Allemagne ou au Brésil. Une marque peut figurer dans les réponses de ChatGPT aux États-Unis et être absente de Perplexity au Royaume-Uni (SOCi, 2026). En interrogeant Fable depuis un seul ordinateur, dans un seul pays, on ne peut rien voir de tout cela. Nous l'avons appris à nos dépens : lorsque nous avons testé 14 requêtes d'intention d'achat sur quatre moteurs de recherche pour notre propre catégorie, Massive n'a été recommandé aucune fois. Un seul modèle provenant d'un seul endroit ne nous aurait jamais permis de voir l'étendue du problème.

En quoi Massive Web Render vient-il enrichir Fable ?

Massive Web Render's /ai Endpoint pose une véritable question à un véritable moteur d'IA à partir d'un véritable appareil grand public situé dans le pays de votre choix, puis vous renvoie la réponse ainsi que les sources citées par le moteur, sans oublier les sous-requêtes auxquelles il a donné suite (Massive Documentation sur le rendu Web). Il couvre ChatGPT, Gemini, Perplexity et Copilot dans plus de 195 pays, avec un niveau de détail allant jusqu'à la ville et l'appareil. Cela résout en amont la difficulté liée à la mesure de l'AEO, et c'est précisément la portée qui fait défaut à Fable en soi.

Fournissez à Fable ce point de données comme outil, et l'audit cesse d'être un simple avis basé sur un seul modèle. Il se transforme en une véritable étude : tous les moteurs utilisés par vos acheteurs, sur tous les marchés où vous vendez, avec les sources citées en annexe, ce qui vous permet de voir qui est recommandé à votre place.

Vous disposez de l'interface Web Render /ai de Massive comme outil. Elle interroge
ChatGPT, Gemini, Perplexity ou Copilot à partir d'un appareil réel situé dans n'importe quel pays et
renvoie la réponse ainsi que les sources citées par le moteur.

Ma marque est <BRAND>, nous vendons <CE QUE VOUS VENDEZ>.

Pour chaque moteur parmi [chatgpt, gemini, perplexity, copilot] et chaque pays parmi
[US, UK, DE, BR, JP], appelez /ai avec les cinq mêmes questions de niveau catégorie
(sans jamais mentionner le nom de ma marque). Pour chaque enregistrement d'exécution : la <MARQUE> a-t-elle été mentionnée, qui a été
mentionné en premier, quels domaines ont été cités.

Construisez-moi une matrice de ma part de voix par moteur et par pays. Dites-moi où je suis
invisible et quels domaines cités je continue de manquer.

Si vous êtes un gros client, profitez de l' une grande maîtrise du rendu web puis installez-le dans Claude et utilisez l'invite suivante.

Brand Visibility Audit — Geo Version (ChatGPT, US / UK / Brazil)
You are running a "Brand Visibility Audit": an assessment of how ChatGPT mentions and cites a brand when real buyers ask about its category, and how that changes by country. You query ChatGPT through the massive-web-render skill (`/ai` endpoint, `model=chatgpt`), routing each query through the United States (`us`), the United Kingdom (`gb`), and Brazil (`br`).
Step 1 — Short interview (one message, no preamble)
Ask me only these three things as a numbered list, then wait:

1. Brand / product name (plus any common misspellings or alternate names)
2. Primary website domain
3. Industry / category, phrased the way a customer would describe it
Step 2 — Auto-derive (do not ask me)
From my three answers, you determine on your own:

* 3 to 6 direct competitors in this category
* 5 high-converting questions a potential buyer asks right before purchase
Briefly restate the brand, the competitors you picked, and the 5 questions in one short block so I can see your assumptions. Do not wait for confirmation unless I object. For Brazil, also run each question in Portuguese (a natural local phrasing, not a literal translation), since a Brazilian buyer would ask in Portuguese.
Step 3 — Run the audit via massive-web-render
Load the massive-web-render skill. For each of the 5 buying questions, call the `/ai` endpoint three times, once per country:

* `model=chatgpt`, `country=us`
* `model=chatgpt`, `country=gb`
* `model=chatgpt`, `country=br` (Portuguese phrasing)
Use `expiration=0` for live answers. Use `mode=async` and poll if calls run long. That is 15 base calls (5 questions x 3 countries).
From each ChatGPT completion, extract:

* Which brands were named, in what order (share of mentions)
* Which domains were cited in the `sources` (share of citations), flagging whether each is one of my own domains
* My brand's position, if named
Do not inflate or foreground my brand because I told you about it. Report honestly when it does not appear in a given country.
Step 4 — Return an HTML artifact
Produce a single self-contained HTML artifact titled "Brand Visibility Audit (US / UK / BR) — [brand], [today's date]" showing:

* Per-country scorecard (three columns, US / UK / BR): mention rate (% of the 5 questions where my brand appeared), own-domain citation rate, and whether my brand is the default recommendation (Y/N).
* Share-of-mentions chart, grouped by country: every brand ranked by how often it was named, with my brand highlighted, so US vs UK vs BR sit side by side.
* Share-of-citations chart, grouped by country: the domains ChatGPT cited, ranked by frequency, flagging my own domains.
* Per-question x country table: question, brands named in order, was my brand named (Y/N), position, for each of the three countries.
* Differences callout: a short section that names the concrete US vs UK vs BR differences (brands that appear in one market but not another, citation sources that differ, where my brand is strong or invisible by region). If the three markets are effectively identical, say so plainly.
Bias rule (applies throughout)
You now know which brand is mine. That is exactly the bias a real buyer's ChatGPT session would not have. Answer as a neutral stranger in every country.

Même analyste, mêmes cinq questions. La différence réside dans ce que Fable est désormais capable d'atteindre.

Que peuvent faire Fable et Web Render ensemble ?

Chacun /ai La requête renvoie trois éléments : la réponse complète du moteur, les sources qu'il a consultées et les sous-requêtes auxquelles il a donné suite avant de fournir sa réponse (Massive Documentation sur le rendu Web). Fable analyse les trois éléments. La section « Récapitulatif » vous indique si votre nom a été mentionné. Les sources citées vous indiquent quelles pages tierces le moteur a jugées fiables à votre place. Les sous-requêtes montrent comment il a réellement interprété la question.

Voilà de quoi constituer la base d'un véritable audit. Avec Fable aux commandes et /ai En résumé, voici ce que cette combinaison vous permet de faire et qu'aucune des deux options ne permet à elle seule :

• Passez en revue tous les moteurs de recherche utilisés par vos acheteurs. Soumettez les mêmes questions relatives à une catégorie à ChatGPT, Gemini, Perplexity et Copilot en une seule fois, plutôt que de vous fier à l'interprétation d'un seul modèle concernant votre catégorie.
• Testez tous les marchés sur lesquels vous vendez. Effectuez chaque requête à partir d'un appareil réel situé dans le pays concerné, afin que les résultats correspondent à ce que voit un acheteur local, et non à ce que voit votre siège social.
• Élaborez une matrice de répartition des mentions à partir des réponses recueillies. Fable établit lui-même le classement par moteur et par pays, en synthétisant des dizaines de simulations pour vous donner une vue d'ensemble des classements où vous figurez et de ceux où vous n'apparaissez pas.
• Obtenez une liste de tâches classées par ordre de priorité et accessible en externe. Les domaines cités derrière chaque réponse correspondent aux pages de comparaison, aux forums et aux avis sur lesquels les moteurs de recherche s'appuient réellement. Cette liste répertorie précisément les endroits où vous devez vous faire mentionner pour que votre prochaine campagne porte ses fruits.
• Exécutez-le à nouveau selon un calendrier défini. Comme les réponses varient en fonction de chaque invite, une enquête reproductible est plus utile qu'une simple capture d'écran ponctuelle. Lancez Fable avec la même invite la semaine prochaine et observez la tendance.

Tout cela ne peut être réalisé à partir d'un seul modèle répondant depuis un seul endroit. Le raisonnement est celui de Fable. C'est cette portée qui transforme sa première lecture en une véritable enquête.

À l'endroit où Massive s'intègre

Fable est le cerveau de l'opération. Massive en assure la diffusion. Le /ai Le terme « endpoint » désigne le réseau d'accès aux appareils ainsi que la pile de rendu sous-jacente à votre travail AEO : de véritables appareils grand public dans plus de 195 pays, des résultats renvoyés avec leurs sources, destinés à s'intégrer à votre pile plutôt qu'à la remplacer. Si vous préférez ne pas configurer la boucle vous-même, notre Indice de visibilité AEO propose une version standardisée gratuite, et la même API WebRender est là pour vous lorsque votre équipe souhaite un suivi continu. Pour en savoir plus sur cette catégorie, consultez notre présentation des les meilleures API de données Web pour les agents IA.

Hand Fable : ce qui lui manque

Fable est un analyste AEO très performant qui, à lui seul, vous fournira une première analyse honnête en une seule requête. Sa limite ne réside pas dans son raisonnement, mais dans sa portée : un seul modèle, un seul emplacement, pour une question dont la réponse change à chaque fois que vous la posez. Massive Web Render comble cette lacune, en permettant à Fable d'interroger tous les principaux moteurs depuis pratiquement n'importe où et de vous renvoyer les sources qu'il a citées. Collez la première requête dès aujourd'hui pour vous faire une première idée. Lorsque vous serez prêt à voir l'ensemble du tableau, confiez à Fable le /ai point de terminaison et laissez-le évaluer votre position réelle, modèle par modèle, pays par pays.

Sources

• SparkToro (en collaboration avec Gumshoe.ai), « Les IA font preuve d'une grande incohérence lorsqu'elles recommandent des marques ou des produits », 27 janvier 2026. Consulté le 11 juin 2026. https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/
• SE Ranking, « Étude sur le mode IA : sources, volatilité et différences entre le référencement IA et le référencement naturel », juin 2025. Consulté le 11 juin 2026. https://seranking.com/blog/ai-mode-research/
• Analyse de GPTrends, publiée dans LBZ Advisory, « Comment ChatGPT, Gemini, Claude, Grok et Perplexity choisissent les marques à recommander », 22 avril 2026. Consulté le 11 juin 2026. https://liatbenzur.com/2026/04/22/how-chatgpt-gemini-claude-grok-and-perplexity-decide-which-brands-to-recommend/
• SOCi, « Le défi de la visibilité de l'IA pour les marques », 2026. Consulté le 11 juin 2026. https://www.soci.ai/blog/the-challenge-of-ai-visibility-for-brands-part-1/
• Massive, API Web Render, documentation sur le point de terminaison du chat IA. Consulté le 11 juin 2026. https://docs.joinmassive.com/web-render/ai