Pourquoi certaines marques sont recommandées par toutes les IA
Certaines marques sont recommandées par toutes les IA parce que leur empreinte documentaire publique est large, corroborée par des sources indépendantes et cohérente d'une source à l'autre : elle survit à des moteurs qui puisent dans des index différents (le robot et les partenaires de recherche d'OpenAI pour ChatGPT, Brave pour Claude, Google pour Gemini et AI Mode, un index propre pour Perplexity). Le phénomène est rare : 36 marques seulement restent chaque mois dans le top 100 des quatre plateformes mesurées par Semrush (AI Visibility Index 2026), et les moteurs s'accordent peu entre eux.
Ce qui suit distingue ce que les éditeurs documentent, ce que les études tierces et l'étude Evocia observent, ce que la recherche soutient, et ce qui reste une hypothèse.
L'essentiel en 60 secondes
- Peu de marques sont visibles partout et tout le temps : 36 seulement restent chaque mois dans le top 100 des quatre plateformes mesurées par Semrush.
- Les moteurs divergent parce qu'ils utilisent des index et des politiques différents : ChatGPT s'appuie sur son robot OAI-SearchBot et des partenaires de recherche, Claude sur Brave, Gemini et AI Mode sur Google, Perplexity sur son propre index.
- Malgré cette divergence, quelques marques apparaissent partout ; l'hypothèse la plus cohérente est qu'elles partagent une empreinte documentaire publique large, corroborée et cohérente, présente dans tous les univers de sources à la fois.
- Hypothèse la plus cohérente avec ces observations : le consensus documentaire, quand de nombreuses sources indépendantes et crédibles disent la même chose de vous.
- Certaines marques très connues sont absentes, probablement parce que leur notoriété ne s'est pas traduite en empreinte documentaire structurée et corroborée, exploitable par les moteurs.
- Cette empreinte se construit sur le temps long, se corrobore de plusieurs sources, et se laisse difficilement acheter ou simuler.
Le paradoxe de la convergence
En bref
Les IA recommandent rarement les mêmes marques : peu d'entreprises restent visibles sur tous les moteurs à la fois. Mais une minorité de marques apparaît dans presque tous les moteurs. La bonne question n'est donc pas pourquoi les IA convergent, mais pourquoi ces rares marques transcendent des systèmes qui, le plus souvent, divergent.
L'affirmation « les IA recommandent toujours les mêmes marques » est à la fois fausse et vraie. Fausse, parce que la plupart des recommandations divergent selon le moteur. Vraie, parce qu'un petit noyau de marques est cité partout. Ce paradoxe apparent est la clé : ce qui rend une marque robuste à travers des moteurs différents est précisément ce qui compte le plus.
Définition
Une marque recommandée par toutes les IA est une marque dont l'empreinte documentaire publique est suffisamment large, corroborée et cohérente pour survivre à la récupération et à la génération dans des moteurs aux index et aux biais différents.
Ce que montrent les mesures
En bref
Une mesure tierce à grande échelle va dans ce sens : selon Semrush, peu de marques restent chaque mois dans le top 100 des quatre plateformes mesurées. Un même prompt peut produire des ensembles de marques différents selon le moteur, avec des nombres de marques citées eux aussi variables. À l'intérieur d'un seul moteur, la concentration et l'instabilité des sources sont mesurées par Evocia.
| Constat observé | Ordre de grandeur | Statut |
|---|---|---|
| Marques visibles chaque mois sur les quatre plateformes (Semrush, AI Visibility Index 2026, 126 millions de prompts américains) | 36 marques seulement restent dans le top 100 des quatre plateformes chaque mois | Observation tierce |
| Concentration des citations de ChatGPT sur des questions d'achat B2B en français (Evocia, AI Sources Index 2026) | Les 20 premiers domaines reçoivent 49 % des citations ; 22 domaines en font la moitié ; 95 domaines sur 288 ne sont cités qu'une seule fois | Observé (mesure Evocia, méthode et données publiées) |
| Stabilité du premier domaine cité, par secteur, d'un relevé unique à l'autre (quatre répétitions, Evocia) | La part de citations du premier domaine varie de 3,5 à 10,3 points d'un relevé unique à l'autre selon le secteur, 6,7 points en moyenne ; 6 secteurs sur 10 changent de leader sur au moins un relevé | Observé (mesure Evocia, section amplitude des données ouvertes) |
La convergence est faible même à l'intérieur d'un seul moteur : quelques domaines concentrent les citations, la longue traîne n'est citée qu'une fois, et le leader d'une catégorie change d'un relevé à l'autre. Détail : [Evocia AI Sources Index 2026](/etudes/ai-sources-index-2026).
Ces mesures sont des observations tierces, sensibles à la méthode, au jeu de requêtes et à la date. Elles ne prouvent pas un mécanisme, elles établissent un fait : les IA ne forment pas un classement unique et partagé des marques. Chacune construit sa propre hiérarchie de confiance.
Pourquoi les IA ne raisonnent pas comme Google
En bref
Google classe des pages et rend une liste de liens. Une IA générative produit une réponse rédigée à partir de connaissances apprises et, souvent, de sources récupérées en direct. Elle ne consulte pas un classement d'entreprises : elle nomme des entités, mot après mot, selon des probabilités. C'est une différence de nature, pas de degré.
| Dimension | Moteur de recherche classique | Moteur génératif |
|---|---|---|
| Sortie | Une liste de liens classés | Une réponse rédigée qui nomme des entités |
| Unité | La page | L'affirmation et l'entité |
| Mécanisme | Classement de documents | Récupération puis génération probabiliste |
| Stabilité | Relativement déterministe | Variable d'un essai à l'autre |
| Ce que vous optimisez | Le rang d'une page | La probabilité d'être appris, récupéré, cité, nommé |
Deux logiques distinctes. Optimiser un rang de page ne suffit pas à être nommé dans une réponse générée : ce sont des objectifs liés mais différents.
Cette distinction explique pourquoi une marque première sur Google peut être absente d'une réponse d'IA, et inversement. Les mécanismes propres à chaque moteur sont détaillés dans nos analyses dédiées : ChatGPT, Claude, Gemini, comment être référencé sur Perplexity et Google AI Mode.
Un même web public, des moteurs qui divergent
En bref
Tous les moteurs puisent dans le même web public, mais avec des index, des politiques de récupération et des accords différents. Ce substrat commun explique qu'une empreinte documentaire large et corroborée finisse par se retrouver partout ; les divergences expliquent qu'elle n'y apparaisse ni au même moment, ni dans les mêmes termes.
Aucun moteur n'invente une marque. Il apprend et récupère ce que le web documente. Une marque dont la catégorie, les produits, les cas d'usage et la réputation sont abondamment et exactement décrits par de nombreuses sources publiques dispose d'un substrat que tous les moteurs peuvent exploiter. C'est ce substrat partagé qui rend une convergence possible, quand elle a lieu.
À retenir
Le web public est le sol commun des IA. Vous ne pilotez pas les moteurs, mais vous influencez ce que le web dit de vous. C'est la seule prise réelle sur un système par ailleurs opaque.
| Moteur | Recherche web adossée à | Tendance de sources observée |
|---|---|---|
| ChatGPT | Robot OAI-SearchBot et partenaires de recherche | Sites d'éditeurs et documentation d'abord sur les questions d'achat B2B (89 % des citations dans l'étude Evocia) |
| Claude | Brave | Aucune mesure publiée par famille de sources ; les observations tierces sont dans le guide Claude |
| Gemini et AI Mode | Google Search | Pages indexées et éligibles à un extrait, ancrées dans le classement organique (guide d'optimisation Google) |
| Perplexity | Index propre | Reddit parmi les sources les plus citées (Profound, juin 2025 ; Evertune, février 2026) |
Mêmes marques candidates, systèmes de récupération distincts. La divergence des index et des politiques explique l'essentiel des écarts entre moteurs. Un écart marqué entre deux moteurs est un signal de diagnostic.
À cela s'ajoutent des différences de comportement : certains moteurs nomment beaucoup de marques par réponse, d'autres sont plus sélectifs. La divergence n'est donc pas un défaut à corriger, c'est une propriété structurelle à intégrer dans toute stratégie de visibilité IA.
Le consensus documentaire
En bref
L'explication la plus cohérente avec ces observations est le consensus documentaire : le degré auquel de nombreuses sources indépendantes et crédibles disent la même chose de votre marque. C'est une hypothèse de travail Evocia, compatible avec le fonctionnement des modèles (apprentissage de régularités, lecture de plusieurs pages par réponse), mais aucun éditeur ne publie de règle de recoupement.
Pensez à la façon dont un analyste prudent se forge une opinion : il ne se fie pas à une source unique, il cherche la concordance. Une affirmation soutenue par une seule page est fragile ; la même affirmation soutenue par un comparateur, un article de presse, une discussion de communauté et une documentation officielle devient un fait exploitable.
Les moteurs génératifs citent de façon imparfaite : Liu, Zhang et Liang (EMNLP 2023) ont mesuré que 51,5 % seulement des phrases générées étaient pleinement soutenues par leurs citations, et que 74,5 % des citations soutenaient réellement leur phrase. Une information exacte et cohérente d'une source à l'autre peut limiter le risque qu'une phrase fausse vous soit attribuée ; à notre connaissance au 5 octobre 2026, aucune étude publique ne mesure l'effet du nombre de sources concordantes sur la recommandation.
Pourquoi certaines marques très connues sont absentes
En bref
Une marque connue peut être absente des IA pour des raisons précises : son information est enfermée dans des espaces non récupérables, elle n'est pas corroborée par des tiers, son entité est ambiguë, ou sa catégorie se discute là où elle n'est pas présente. La notoriété ne se convertit pas automatiquement en empreinte exploitable.
| Cause d'absence malgré la notoriété | Mécanisme |
|---|---|
| Information enfermée | Contenu clé dans des espaces fermés, PDF non exploités ou applications, non récupérables par les moteurs |
| Absence de corroboration tierce | La marque parle beaucoup d'elle-même, mais peu de sources indépendantes la décrivent |
| Entité ambiguë | Nom partagé, positionnement flou, faits contradictoires selon les sources |
| Absence là où la catégorie se discute | Peu présente sur les comparateurs, communautés et médias que les moteurs récupèrent |
| Repositionnement récent | La notoriété porte sur une image ancienne, pas encore documentée pour le nouveau positionnement |
L'absence n'est presque jamais un hasard. Elle se diagnostique cause par cause. Le diagnostic détaillé est développé dans notre analyse dédiée.
Le diagnostic, avec un test par cause, est dans pourquoi ChatGPT recommande vos concurrents et pas vous.
Le rôle des sources : où se forme le consensus
En bref
Les IA ne se contentent pas de votre site : elles apprennent et récupèrent ce que le web dit de vous. Le consensus se forme dans un ensemble de familles de sources. Être présent, exact et cohérent sur celles que votre catégorie mobilise est déterminant ; la part des tiers dépend du type de question : sur des questions générales, les études tierces mesurent une majorité de médias et de contenus tiers (84 % de médias gagnés, Muck Rack, mai 2026) ; sur des questions d'achat B2B en français, ChatGPT cite à 89 % les sites d'éditeurs et leur documentation, 1,6 % de tiers et aucun comparateur (Evocia, 2 259 citations).
Le consensus se construit dans sept familles de sources (site officiel et documentation, plateformes d'avis et comparateurs, comparatifs et médias, communautés, dépôts et documentation d'API, analystes, encyclopédies), chacune avec son rôle et ses limites. Leur tableau, les mesures de 2026 famille par famille, les accords de licence entre plateformes et éditeurs de modèles, et la différence entre source citée et source influente sont dans quelles sources ChatGPT et les IA utilisent-ils pour recommander.
Citations, backlinks, mentions et avis
Backlinks, mentions et avis agissent différemment. Les backlinks pèsent surtout indirectement, via le classement qui sert à la récupération. Les mentions de marque, même sans lien, nourrissent l'entité et la corroboration. Les avis renforcent la crédibilité perçue et, au niveau local, le classement.
- Backlinks : effet surtout indirect. Ils renforcent l'autorité et le classement organique, qui conditionnent la récupération dans les moteurs adossés à un index de recherche. Aucun volume ne garantit une citation.
- Mentions de marque : même sans lien, elles participent à l'empreinte et au consensus. Une marque souvent et exactement nommée est plus facilement apprise comme un acteur de sa catégorie.
- Avis et notes : ils corroborent et, au niveau local, améliorent officiellement le classement. Au-delà du local, leur influence directe sur la sélection en IA n'est pas confirmée par les éditeurs.
- Citations dans les réponses : une source citée n'est pas toujours la source influente, et une source influente n'est pas toujours citée. Les citations affichées sont un indice, pas une preuve de causalité.
Construire une empreinte recommandable
En bref
Construire une empreinte recommandable revient à travailler quatre chantiers dans l'ordre : la présence (être dans les corpus et les index), la corroboration (un consensus multi-sources), la cohérence (une entité désambiguïsée aux faits stables) et la constance (une exactitude tenue dans la durée). Chacun se traduit en actions concrètes, mesurables et cumulatives ; l'ensemble se déprécie s'il n'est pas entretenu.
- 1Présence. Être indexable, récupérable et bien classé là où votre catégorie se cherche, et présent là où elle se discute (comparateurs, communautés, presse).
- 2Corroboration. Multiplier les descriptions exactes de votre marque par des sources tierces crédibles, plutôt qu'une communication centrée sur vous seul.
- 3Cohérence. Harmoniser vos faits de base (nom, catégorie, positionnement, produits) partout, pour une entité désambiguïsée et sans contradiction.
- 4Constance. Tenir l'exactitude et la fraîcheur dans la durée, car l'empreinte se déprécie si elle n'est pas entretenue.
Arbre de décision rapide
Absent des IA malgré une bonne notoriété ? 1) Êtes-vous récupérable et bien classé là où votre catégorie se cherche ? Sinon, travaillez la présence. 2) Des sources tierces crédibles vous décrivent-elles exactement ? Sinon, construisez la corroboration. 3) Vos faits sont-ils cohérents partout ? Sinon, harmonisez l'entité. 4) Tenez-vous cette exactitude dans le temps ? Sinon, instaurez la constance. Traitez dans l'ordre.
Le panorama complet des leviers, avec leurs niveaux de preuve, est développé dans les 100 facteurs qui influencent les recommandations des IA.
Vous voulez savoir où vous en êtes avant d'investir ? Evocia teste gratuitement trois requêtes de votre catégorie sur plusieurs moteurs et vous envoie une synthèse courte.
Tester ma visibilité IALimites et zones d'ombre
En bref
Ce modèle explique des mécanismes, il ne révèle pas des algorithmes. Les éditeurs ne publient pas la pondération de leurs signaux ni leur règle de sélection des entreprises. Nous décrivons des corrélations robustes et des principes, pas une formule cachée.
On ne pilote pas ce qu'on ne mesure pas. Cette empreinte se mesure moteur par moteur, avec un panel de requêtes figé, interrogé en sessions datées et dépersonnalisées. La convergence entre moteurs devient elle-même une métrique. La méthode est dans mesurer sa visibilité dans ChatGPT et les IA.
Restent inconnus : le poids relatif exact des signaux dans chaque moteur, la règle de départage entre deux marques également éligibles, l'ampleur réelle de la personnalisation, et le détail des index propriétaires. Les études tierces sont datées et sensibles à la méthode, la recherche académique porte souvent sur des moteurs génériques. Nous bâtissons sur le documenté et l'observé, et signalons le reste comme tel.
Aucun éditeur ne publie la mécanique exacte par laquelle une marque précise est choisie plutôt qu'une autre. Toute pondération chiffrée présentée comme officielle, pour n'importe quel moteur, est à écarter.
Questions fréquentes
Est-ce que les IA recommandent vraiment toutes les mêmes marques ?
Non, pas la plupart du temps : peu de marques restent visibles chaque mois sur les quatre plateformes mesurées par Semrush (voir le tableau des mesures) ; l'hypothèse la plus cohérente est que ces marques ont une empreinte documentaire très solide et corroborée.
Pourquoi une même question donne-t-elle des marques différentes selon l'IA ?
Parce que les moteurs récupèrent dans des index différents (robot et partenaires de recherche d'OpenAI, Brave, Google, index propre de Perplexity), suivent des politiques de citation différentes et privilégient des familles de sources différentes. Un même substrat, filtré par des systèmes distincts, produit des recommandations distinctes.
Qu'est-ce qui explique qu'une marque soit recommandée par toutes les IA ?
L'hypothèse la plus cohérente avec les observations est une empreinte documentaire publique large, corroborée et cohérente, présente dans tous les univers de sources à la fois, plutôt que l'optimisation d'un moteur en particulier. Aucune source publique n'analyse les marques concernées une à une.
Pourquoi une marque très connue peut-elle être absente des IA ?
Parce que sa notoriété ne s'est pas traduite en empreinte exploitable : information enfermée dans des espaces non récupérables, absence de corroboration tierce, entité ambiguë, ou absence là où sa catégorie se discute. La connaissance humaine et l'empreinte documentaire ne coïncident pas toujours.
Le SEO suffit-il à être recommandé par les IA ?
Non. Le SEO conditionne la récupération dans les moteurs adossés à un index, mais la corroboration par des tiers et la cohérence de l'entité déterminent la recommandation. Le référencement est un socle nécessaire, pas une condition suffisante.
Qu'est-ce que le consensus documentaire ?
C'est le degré auquel de nombreuses sources indépendantes et crédibles disent la même chose de votre marque. C'est une hypothèse de travail : un moteur qui lit plusieurs pages a plus de chances de reprendre ce sur quoi elles convergent, mais aucun éditeur ne publie de règle de recoupement.
Sources
- Hou et al., Large Language Models are Zero-Shot Rankers (biais de popularité et de position), ECIR 2024, arXiv:2305.08845
- Liu, Zhang, Liang, Evaluating Verifiability in Generative Search Engines (citations imparfaites), EMNLP 2023, arXiv:2304.09848
- Google Search Central, guide d'optimisation pour l'IA générative (RAG ancré dans le classement cœur)
- Profound, AI Platform Citation Patterns (680 millions de citations, août 2024 à juin 2025), 5 juin 2025
- Evertune, Perplexity Loves Reddit: Exploring LLMs' Top Sources (plus de 200 millions de prompts, septembre 2025 à février 2026), 24 février 2026
- Semrush, AI Visibility Index 2026 (126 millions de prompts ; 36 marques visibles chaque mois sur les quatre plateformes)
- Muck Rack, What Is AI Reading? (mai 2026) : 25 M+ de liens cités par ChatGPT, Claude et Gemini, 84 % de médias gagnés
- Evocia, AI Sources Index 2026 (1 000 réponses de ChatGPT, 2 970 citations, collecte du 14 septembre 2026)
Transparence et méthode
Auteur
Evocia · Cabinet français de visibilité dans les IA
Evocia est un cabinet français spécialisé dans la mesure et l'amélioration de la visibilité des éditeurs de SaaS B2B dans les réponses des IA. Cet article de synthèse relie les analyses moteur par moteur d'Evocia et la recherche vérifiée, avec les limites clairement signalées.
Comment cet article a été réalisé
- Distinction systématique entre la communication officielle des éditeurs, l'observation par des études tierces datées, la recherche académique vérifiée, et l'hypothèse.
- Synthèse des analyses moteur par moteur publiées par Evocia (ChatGPT, Claude, Gemini, Perplexity, Google AI Mode), reliées par un seul cadre explicatif, le consensus documentaire. Les données Evocia de cet article (concentration des citations, stabilité du premier domaine par secteur, familles de sources) sont celles de l'AI Sources Index 2026, reprises telles qu'elles sont publiées.
- Aucune donnée inventée, aucun éditeur de logiciels réel cité en exemple, aucune pondération présentée comme officielle, aucune tactique présentée comme une garantie de recommandation.
Historique des mises à jour
- 5 octobre 2026Chapô : la faible convergence entre moteurs n'est plus présentée comme un fait mesuré par l'article ; il décrit ce que montre la mesure tierce citée. L'essentiel, la réponse de la section sur la convergence et les questions fréquentes ne parlent plus d'études « sur des centaines de millions de citations » que la page ne citait pas : elles s'appuient sur la mesure Semrush (36 marques chaque mois dans le top 100 de quatre plateformes), et la mesure Evocia est rappelée comme portant sur un seul moteur. Le consensus documentaire, et l'idée que les marques présentes partout partagent une empreinte large et cohérente, sont présentés comme l'hypothèse la plus cohérente avec ces observations, pas comme un fait. L'encadré de preuve ne tire plus de l'étude de Liu, Zhang et Liang un effet du nombre de sources concordantes. La ligne Perplexity du tableau des moteurs s'appuie sur les études Profound et Evertune, qui portent sur Perplexity, au lieu d'une étude générale ; sources mises à jour. Le lien vers la page de diagnostic porte son titre actuel. La part des 20 premiers domaines (49 %) renvoie à sa page de données.
- 21 septembre 2026Exactitude : les trois ordres de grandeur sans source du tableau des mesures (recoupement « de 10 à 15 % », « un cas sur cinq », « de la dizaine à la quinzaine ») sont remplacés par des chiffres sourcés : Semrush 2026 et les données de l'étude Evocia sur la concentration des citations et la stabilité du premier domaine par secteur. Cohérence avec les autres guides : ChatGPT s'appuie sur son robot OAI-SearchBot et des partenaires de recherche, pas « sur Bing » ; la section sur les sources ne dit plus que les tiers pèsent « souvent plus » que votre contenu, elle donne la part mesurée selon le type de question. Réduction : le cadre « cinq forces » à usage unique et le tableau générique des familles de sources (porté par le guide sur les sources) sont retirés. Seconde passe : l'introduction répond à la question au lieu d'annoncer l'article ; sur les trois cadres qui disaient la même chose sans donnée (« vraie monnaie », matrice notoriété et empreinte, capital de recommandation), un seul est gardé, le consensus documentaire ; l'étude académique sur les citations est citée avec ses chiffres ; les cellules sans source du tableau des moteurs (Claude, Gemini, Perplexity) sont remplacées par ce qui est documenté ou sourcé ; l'amplitude par secteur reprend la formulation de la section amplitude des données ouvertes de l'étude ; deux références non citées (Knowledge Graph, article fondateur du GEO) sont retirées des sources.
- 13 septembre 2026Bloc « l'essentiel » ramené à six points, appel à l'action ajouté ; sections jumelles fusionnées (substrat commun et divergence ; confiance et biais).
- 13 septembre 2026Refonte éditoriale : introduction qui répond d'abord, sections courtes regroupées (dix-sept à quatorze), mesure ramenée à un renvoi vers le pilier Mesure.
- 12 septembre 2026Réduction éditoriale (qualité avant longueur, refonte de septembre 2026) : environ 34 minutes auparavant. Retirés : les cas par profil, les erreurs fréquentes, le glossaire, les points clés et l'appel final. Conservés : le paradoxe, les mesures, la différence avec Google, le substrat commun, les divergences, les cinq forces, le consensus documentaire, la matrice notoriété et empreinte, les marques connues absentes, les sources, les signaux, la confiance, les biais, le capital de recommandation, la construction d'une empreinte, la mesure et les limites. Aucune source retirée ; la FAQ est ramenée aux questions les plus recherchées.
- 1er août 2026Publication initiale : paradoxe de la convergence partielle, divergence des index et des biais, cinq forces de la convergence, consensus documentaire, matrice notoriété et empreinte, capital de recommandation IA, cas par profil, mesure multi-moteurs, limites, glossaire et FAQ.
Comment les modèles construisent la confiance, et pourquoi les biais avantagent les marques installées
En bref
La confiance d'un modèle envers une marque n'est pas un score explicite. Elle émerge de deux sources : les connaissances apprises pendant l'entraînement, empreinte durable et lente, et la récupération en direct, plus fraîche mais dépendante de l'index. La corroboration et l'exactitude sont ce qui traverse les deux.
Sur la voie des connaissances apprises, une marque installée et abondamment documentée est mieux ancrée, ce qui joue sur le temps long. Sur la voie de la récupération, c'est la présence récupérable et bien classée qui compte, ici et maintenant. Une stratégie robuste travaille les deux, car elles se renforcent mutuellement mais n'ont pas le même horizon.
La recherche montre que les grands modèles utilisés comme classeurs sont sensibles à la popularité et à la position des éléments (Hou et al., ECIR 2024). Une recommandation d'IA n'est donc pas un jugement objectif et figé : elle reflète en partie l'empreinte et la façon dont la question est posée.
Deux conséquences honnêtes. D'abord, la surreprésentation des grandes marques reflète leur empreinte, pas nécessairement leur supériorité produit. Ensuite, une marque plus récente peut progresser en construisant méthodiquement la corroboration et l'entité qui lui manquent, plutôt qu'en cherchant une astuce. Le biais est un obstacle surmontable, pas un verrou définitif.
Attention
Ces biais sont mesurés sur des modèles et moteurs variés, pas comme une pondération officielle d'un moteur précis pour la recommandation d'entreprises. Ils orientent la prudence, ils ne quantifient pas un comportement garanti.