LLM perception drift vs visibilité IA
La visibilité mesure si une marque apparaît. Le LLM perception drift mesure comment son portrait change. Une marque peut gagner sur le premier axe et perdre sur le second.
Matrice des situations
| Visibilité | Fidélité/stabilité | Lecture |
|---|---|---|
| Faible | Faible | Entité absente ou mal structurée |
| Faible | Élevée | Portrait correct lorsqu’il apparaît, mais présence limitée |
| Élevée | Faible | Marque souvent visible, mais mal comprise ou instable |
| Élevée | Élevée | Présence et représentation solides dans le protocole testé |
Les métriques ne répondent pas aux mêmes questions
- mentions et part de voix : présence comparative;
- citations : sources visibles;
- rang dans les listes : position dans une sortie;
- sentiment : ton;
- stabilité de catégorie : cadre attribué;
- préservation du périmètre : limites;
- écart canon-sortie : fidélité;
- répétition intermodèles : stabilité.
Un tableau de bord qui agrège tout sous « visibilité » peut masquer une dérive. Une hausse de mentions historiques peut, par exemple, renforcer un ancien positionnement.
Exemple
Après une campagne de relations publiques, une entreprise est citée deux fois plus souvent. Les réponses la décrivent cependant selon le sujet de la campagne, qui ne représente qu’une activité secondaire. La visibilité progresse, la hiérarchie de marque dérive.
Règle de décision
Utiliser la visibilité pour savoir si l’entité entre dans la réponse. Utiliser la perception et la fidélité pour savoir ce qui en sort. Les interventions diffèrent : présence peut demander citabilité et sources; dérive peut demander canon, désambiguïsation, temporalité ou autorité.
Le succès exige donc deux verdicts séparés, jamais un score unique.