Méthodologie
Comment on note ta marque.
Le rapport de réputation Robot Speed est une audit quantitative ouvert. Cette page documente chaque choix, depuis les dimensions jusqu'aux modèles et aux intervalles de confiance. Si un angle te paraît discutable, dis-le nous — la méthodologie est vivante.
7 dimensions validées
Les dimensions sont croisées contre RepTrak (7 dimensions), Fortune World's Most Admired Companies (9 attributs) et Interbrand. Gouvernance a été volontairement écartée — les LLMs hallucinent sur les entreprises privées. Pour ces dernières, la Visibilité du Leadership se substitue à partir d'un signal mesurable (présence publique CEO/fondateurs).
Notoriété
À quelle fréquence la marque est citée spontanément par l'IA dans sa catégorie, sans prompt direct.
Innovation & adaptabilité
Lancements récents, R&D, approches novatrices, intégration IA, capacité d'adaptation.
Différenciation
Comment l'IA décrit le positionnement unique de la marque vs ses pairs. "Ce qui fait d'eux X" vs "ils sont dans la catégorie X".
Crédibilité
Fiabilité perçue, transparence et confiance selon les retours clients, avis et communications rapportés par l'IA.
Responsabilité sociale
Engagements environnementaux, programmes d'impact social, éthique, diversité, durabilité.
Qualité produits & services
Savoir-faire, satisfaction client, fiabilité de livraison, sentiment des avis.
Position de marché
Où l'IA classe la marque face aux concurrents — choix premier, alternative, niche ou suiveur.
Ensemble de deux modèles juges
Chaque dimension est notée 6 fois par rapport — 2 modèles juges indépendants (2 familles de modèles distinctes) × 3 runs avec des températures staggered (0.3 / 0.6 / 0.9). On retourne la moyenne ± un écart-type. Un écart-type supérieur à 15 points déclenche le flag "low consensus" — signal que les juges ne s'accordent pas. On ne lisse pas l'incertitude pour paraître confiant.
Fondement : papier CMU (Déc 2025) sur l'indétermination des notes LLM-as-judge ; Wang et al. (2024) sur la correction du biais de position par inversion de prompts ; Multi-Agent Verification (Fév 2025) sur la supériorité des ensembles vs l'agrandissement du modèle.
Anchors calibrés
Le prompt de notation inclut des exemples d'ancrage à 0, 50 et 100 pour chaque dimension, pour empêcher le clustering poli autour de 60-80 que les LLMs ont tendance à produire. On veut de la variance honnête — une marque moyenne sort à 45, pas 70.
Source des données
On interroge ChatGPT, Perplexity et Google AI Overviews via un proxy de data scraping établi (le même type d'infrastructure que celle utilisée par Semrush, Ahrefs et d'autres). Chaque fournisseur reçoit le même prompt structuré demandant une analyse sur 7 dimensions avec citations verbatim. Les réponses sont time-boxées à 50s par fournisseur — si un modèle timeout, on continue avec les autres et on affiche un bandeau "rapport préliminaire".
Accès et transparence
L'outil est gratuit pour toi, avec une limite de 10 rapports par heure et par IP. Au-delà de ce volume, tu touches la fair-use limit et on te redirige vers le plan payant (tracking hebdomadaire, alertes, suivi sur 3/6/12 mois).
Limites assumées
(1) Les LLMs hallucinent — on le mesure pas encore côté production (Factual Accuracy Layer arrive bientôt). (2) Les marques trop récentes ou très spécifiques à un marché ne sont pas toujours connues — on retourne les réponses brutes des LLMs même si on ne peut pas noter. (3) La moyenne sur 6 runs réduit le bruit mais pas le biais systémique — un modèle qui pense qu'une marque est mauvaise sur une dimension le pensera souvent sur tous les runs. On cross-vendor pour mitiger (2 familles de modèles distinctes).
Comparaison vs les outils du marché
La plupart des concurrents (LLMPulse, Otterly, Peec AI) ne publient pas leur formule. On publie. Si tu trouves un biais qu'on a raté, signale-le à [email protected].