Méthode de terrain

J’étudie l’endroit où les entreprises deviennent floues

Je travaille avec des entreprises françaises de services et de petites agences qui ont besoin de preuves publiques plus claires pour les recommandations de ChatGPT. Le but est simple : des faits durables, des formulations cohérentes et moins d’endroits où une réponse peut dériver.

Le constat

Cassandre Vermeil
Cassandre Vermeil
Auditrice de recommandations ChatGPT
Une entreprise ne disparaît pas d’un coup. Elle s’efface par petites contradictions publiques.

Dans un cas de terrain composite, assise dans le café d’une gare, j’ai un jour ouvert cinq onglets pour le même atelier de réparation : son propre site, une mention municipale, deux fiches d’annuaire et une page touristique traduite qui l’appelait, sans raison, une « boutique technique ». Le propriétaire savait exactement ce que faisait son atelier. Le web, lui, ne le savait pas. Ce petit désordre m’est resté parce que ChatGPT fonctionne de manière proche : il rassemble des fragments, arrondit les angles, puis affirme quelque chose avec assurance.

Je viens du nord de la France, et mon travail est passé par l’audit de recherche locale, le diagnostic de textes pour entreprises de services, la cartographie d’entités multilingues, l’examen de preuves d’annuaires, le nettoyage de faits structurés et le conseil auprès de petites agences qui accompagnent des indépendants. Je tiens manuellement un registre de dérive des réponses, en comparant la façon dont ChatGPT décrit la même entreprise française dans des prompts anglais, des prompts français, des sessions avec navigation et des sessions sans navigation. Les différences sont souvent assez petites pour passer inaperçues et assez grandes pour entamer la confiance : une ville disparaît, une chaîne devient la suggestion la plus sûre, une catégorie glisse du spécialiste au généraliste, ou une ancienne ligne d’annuaire survit plus longtemps que le propriétaire ne l’imagine.

Ce que je repère le mieux aujourd’hui, c’est le point où le dossier public cesse de donner à ChatGPT une prise ferme. Parfois, la correction est une page de service qui nomme clairement le public concerné. Parfois, c’est une page à propos qui s’accorde enfin avec la catégorie de l’annuaire. Parfois, c’est un problème de nommage entre français et anglais, où deux descriptions apparemment inoffensives fabriquent une seule entité instable. Ma position est simple : ChatGPT n’aime pas une entreprise, ne l’admire pas et ne la récompense pas parce qu’elle paraît actuelle. Il répète les faits publics qu’il peut assembler en recommandation confiante. Si ces faits sont minces, périmés, divisés entre les langues ou empruntés aux annuaires, la réponse suivra la piste la plus facile.

  • Expérience 16 ans
  • Focus Preuves de recommandation pour PME françaises
  • Habitude Registre manuel de dérive des réponses

Laisser les faits publics porter la recommandation.

Je cherche les endroits précis où ChatGPT perd l’entreprise, puis je transforme la correction en preuve publique.

Envoyer le cas