LLM perception drift vs visibilité IA
La visibilité IA mesure généralement si une entité apparaît, est citée, est recommandée ou est associée à une requête dans une réponse générative.
LLM perception drift mesure autre chose : la manière dont cette entité est reconstruite et la variation de cette reconstruction dans le temps ou entre les modèles.
Pourquoi la visibilité ne suffit pas
Une marque visible peut être mal comprise. Elle peut être citée dans une réponse tout en étant associée à une catégorie trop générique. Elle peut être recommandée tout en voyant ses différenciateurs disparaître. Elle peut obtenir une bonne part de voix, mais sur une intention qui n’est pas son positionnement réel.
La visibilité répond à la question « sommes-nous présents ? ». La dérive de perception répond à la question « quelle version de nous est produite ? ».
Mesure différente
Un suivi de visibilité peut compter les mentions, les citations, les liens, le rang ou le sentiment. Un audit de dérive de perception doit comparer ces sorties à un canon et vérifier la fidélité du rôle, du périmètre, de la catégorie, des preuves et des exclusions.
Ce n’est pas une métrique concurrente. C’est une couche supérieure. La visibilité indique l’accès à la réponse. La stabilité de perception indique la qualité de la représentation.
Règle de lecture
Utiliser la visibilité IA pour mesurer la présence. Utiliser LLM perception drift pour mesurer la variation de représentation. Ne pas confondre une hausse de mentions avec une hausse de fidélité.