Quand l'IA se trompe sur votre marque : détecter et corriger

L’IA peut parler de votre marque avec assurance, et se tromper

Un modèle de langage ne dit jamais “je ne sais pas” spontanément : quand il ignore un fait sur votre entreprise, il en invente un plausible. C’est le mécanisme de l’hallucination, et il ne frappe pas que les questions d’histoire ou de droit. Il touche aussi, et de plus en plus, les marques B2B interrogées par des prospects qui font confiance à la réponse.

Le scénario est concret. Un acheteur demande à ChatGPT combien coûte votre solution, ce qu’elle fait, ou qui dirige votre entreprise. Le modèle répond avec aplomb : un tarif inventé, une fonctionnalité empruntée à un concurrent, un dirigeant qui a quitté la société il y a trois ans. L’acheteur n’a aucun moyen de savoir que la réponse est fausse, et vous n’avez aucun moyen de savoir qu’elle a été donnée.

Ce risque est asymétrique. Une erreur de Google se voit dans un résultat que vous pouvez auditer. Une hallucination d’IA se produit dans une conversation privée, à laquelle vous n’avez pas accès, et qui peut écarter votre marque d’une décision d’achat sans laisser de trace. La première étape n’est donc pas de corriger, c’est de savoir ce qui se dit.

Pourquoi les IA inventent des choses sur les marques

Une hallucination n’est pas un bug aléatoire, c’est le comportement par défaut d’un modèle confronté à un vide. Un LLM est entraîné à produire la suite de texte la plus probable, pas la plus vraie. Quand le corpus contient peu d’informations fiables sur votre entreprise, le modèle ne s’arrête pas : il complète avec ce qui ressemble statistiquement à une réponse crédible. La survey de Huang et al. (2023) consacrée aux hallucinations des LLMs documente précisément cette tendance à combler les lacunes plutôt qu’à signaler l’incertitude.

Les marques B2B premium sont particulièrement exposées, pour une raison contre-intuitive. Elles vendent peu, à des cycles longs, à un petit nombre de comptes. Leur empreinte documentaire publique est souvent mince : un site, quelques articles de presse, des profils sociaux. Là où une marque grand public est décrite par des milliers de sources concordantes, une PME spécialisée peut n’apparaître que dans une poignée de pages, parfois datées, parfois imprécises. Le modèle a donc peu de matière fiable pour s’ancrer, et beaucoup de latitude pour inventer.

S’ajoute la question de la fraîcheur. Une partie de la connaissance d’un modèle provient de son corpus d’entraînement, figé à une date donnée. Si vous avez changé de positionnement, de tarif ou de dirigeant après cette date, le modèle continue de raisonner sur l’ancien état du monde, sauf s’il navigue en temps réel. La documentation d’OpenAI sur la connexion de ChatGPT au web le rappelle : la capacité à aller chercher l’information à jour dépend du mode et du moment, elle n’est pas systématique.

Le protocole de détection : une batterie de requêtes par moteur

On ne détecte pas une hallucination en posant une question une fois. Une même requête donne des réponses différentes d’un moteur à l’autre, et d’une session à l’autre. La détection sérieuse est systématique et répétée. Voici la trame d’un protocole exploitable sans outil payant.

1. Cartographier les faits vérifiables sur votre marque. Listez ce qu’une IA pourrait affirmer et que vous pouvez confronter à la réalité : raison sociale, secteur, offre, prix publics, dirigeant, année de création, localisation, clients de référence si publics. C’est votre grille de vérité.
2. Construire une batterie de requêtes. Pour chaque fait, formulez la question telle qu’un prospect la poserait : “Que vend l’entreprise X ?”, “Combien coûte la solution X ?”, “Qui dirige X ?”, “X est-il un bon choix pour le secteur Y ?”. Ajoutez des requêtes comparatives, où votre marque est mise en regard d’un concurrent.
3. Jouer chaque requête sur les quatre moteurs. ChatGPT, Perplexity, Claude et Gemini ne sourcent pas de la même façon et ne se trompent pas sur les mêmes points. Une erreur présente sur l’un peut être absente sur l’autre. Notez la réponse, et surtout les sources citées quand le moteur en affiche.
4. Confronter à la grille de vérité et qualifier l’écart. Pour chaque réponse, marquez le statut : exact, imprécis, faux, ou absent. Une marque qui n’apparaît pas du tout est un problème distinct de l’hallucination, traité dans notre article sur les signaux d’autorité reconnus par les LLMs.
5. Répéter dans le temps. Une détection ponctuelle est une photo. Rejouez la batterie chaque trimestre, et après chaque mise à jour majeure d’un modèle, pour suivre l’évolution et mesurer l’effet de vos corrections.

Cette phase de cartographie et de test est exactement le point de départ d’un audit GEO, à partir de 590 € livré en 10 jours (TVA non applicable, art. 293 B du CGI) : on établit ce que chaque moteur dit de la marque avant de décider quoi corriger en priorité.

Typologie des erreurs et leurs causes

Toutes les hallucinations de marque ne se ressemblent pas, et c’est une bonne nouvelle : la cause dicte le levier. Quatre familles couvrent l’essentiel des cas observés sur des marques B2B.

Type d’erreur	Cause probable	Levier de correction	Délai réaliste
Prix ou offre faux	Corpus daté, absence de prix public	Publier prix et offre en clair, page autoportante	Jours à mois selon le moteur
Fonctionnalité d’un concurrent attribuée	Confusion sémantique, peu de contenu propre	Contenu canonique précis, comparatifs explicites	Semaines à mois
Dirigeant ou fait mal attribué	Source tierce erronée, fraîcheur	Page entité, correction à la source, RP	Mois
Marque confondue avec un homonyme	Entité mal consolidée	Balisage Organization, sameAs, désambiguïsation	Mois

La lecture de ce tableau impose une discipline : avant de corriger, qualifiez la cause. Republier un tarif ne réglera rien si le problème est une homonymie. Renforcer une entité ne sert à rien si le tarif faux vient simplement d’une page qui ne l’a jamais affiché. Le diagnostic précède toujours le traitement, et c’est ce qui sépare une correction durable d’un coup d’épée dans l’eau.

Une IA hallucine sur votre marque quand le vrai est moins disponible que le vraisemblable. Corriger, c’est rendre l’information exacte plus présente et mieux structurée que le vide qu’elle comblait.

Les leviers de correction, et leurs délais

Corriger une hallucination ne consiste jamais à modifier le modèle. Cela consiste à modifier ce que le modèle lit, pour que la prochaine fois qu’il complète, il complète avec le vrai. Cinq leviers, du plus rapide au plus structurel.

Le contenu canonique est le premier. Chaque fait que vous voulez voir cité correctement doit exister, en clair, sur une page de votre site qui se comprend seule. Un prix affiché, une offre décrite sans jargon, un dirigeant nommé avec sa fonction. Si l’information n’existe nulle part dans une source fiable, le modèle n’a rien à citer, et il invente. C’est la base de la méthode GEO : produire la matière exacte avant d’espérer qu’elle soit reprise.

La page entité consolide votre identité. Une page “À propos” structurée, qui dit qui vous êtes, depuis quand, dans quel secteur, avec quel dirigeant, donne au modèle un point d’ancrage unique. Couplée au balisage Organization de schema.org et à des liens sameAs vers vos profils officiels (LinkedIn, registres, réseaux), elle aide à désambiguïser votre marque d’un homonyme. Nous détaillons quels balisages les moteurs IA exploitent réellement dans notre article sur les données structurées qui comptent pour les LLMs.

La fraîcheur agit sur les moteurs qui naviguent. Quand un outil comme Perplexity va chercher l’information à jour, publier la bonne donnée et la faire indexer peut corriger une erreur en quelques jours. Sur un fait ancré dans le corpus d’entraînement d’un modèle, en revanche, le délai se compte en mois, le temps d’une nouvelle version, et sans garantie.

Les relations presse et co-citations travaillent sur les sources tierces. Une partie des erreurs vient de pages externes inexactes que le modèle a ingérées. Multiplier les mentions fiables et concordantes dans des médias sérieux dilue le poids des sources fautives. C’est lent, mais c’est souvent le seul levier sur une information que vous ne contrôlez pas directement.

Ces leviers se pilotent dans la durée, pas en une intervention. C’est précisément l’objet de nos missions d’accompagnement, à partir de 590 €/mois : suivre l’évolution des réponses moteur par moteur, et ajuster le contenu en fonction de ce qui se corrige et de ce qui résiste.

Ce qu’on ne peut pas corriger : on ne patche pas un modèle

Il faut le dire clairement, parce que le marché vend l’inverse : personne ne peut garantir qu’une IA dira la vérité sur votre marque demain. Toute promesse de “correction garantie sous X jours” est un signal d’alerte. Un modèle n’a pas de panneau d’administration ouvert aux marques. Vous n’éditez pas sa connaissance, vous influencez la matière qu’il consulte, et son comportement reste probabiliste.

Trois limites sont structurelles. D’abord, le décalage temporel : tant qu’un fait erroné vit dans un corpus d’entraînement figé, il ressortira jusqu’à la mise à jour de ce corpus, même si votre site dit désormais la vérité. Ensuite, la variabilité : un même modèle peut donner deux réponses différentes à la même question, et corriger un cas ne corrige pas mécaniquement tous les autres. Enfin, le contrôle partiel des sources : vous corrigez votre site, vous influencez la presse, mais vous ne réécrivez pas les milliers de pages tierces déjà absorbées.

La bonne posture n’est donc pas d’exiger une garantie, c’est de réduire méthodiquement la probabilité d’erreur et de mesurer le mouvement dans le temps. Une marque dont l’information exacte est partout, structurée et fraîche, ne sera jamais hallucinée à zéro, mais elle le sera bien moins qu’une marque silencieuse. La détection régulière, couplée à un travail patient sur les sources, transforme un risque invisible en variable suivie.

À retenir

• Les LLMs hallucinent aussi sur les marques B2B : ils inventent prix, offres ou dirigeants quand le corpus fiable est lacunaire, parce qu’ils complètent au lieu d’avouer leur ignorance.
• Les marques B2B premium, peu documentées publiquement, sont surexposées : peu de sources concordantes laissent beaucoup de latitude au modèle pour inventer.
• La détection est un protocole, pas une question unique : une batterie de requêtes de marque, jouée sur les quatre moteurs et répétée dans le temps, confrontée à une grille de vérité.
• La cause dicte le levier : corpus daté, source tierce erronée, homonymie ou entité mal consolidée n’appellent ni le même traitement ni le même délai.
• On ne patche pas un modèle. On rend le vrai plus présent et mieux structuré que le vide qu’il comblait, et on mesure le résultat. Toute garantie de correction instantanée est un signal d’alerte.