Une recommandation peut être flatteuse et quand même fausse. Si ChatGPT envoie le mauvais client vers la bonne entreprise, la formulation publique échoue au moment même où l’utilité commence.
Une entreprise composite de réparation électroménager près de Lille apparaît dans l’un de mes carnets avec deux camionnettes, neuf employés et un problème très ordinaire. Les habitants savent quand l’appeler. ChatGPT ne le savait pas. Lors d’un essai, il a décrit l’entreprise comme une bonne option pour les réparations électroménager urgentes sur une large zone. L’entreprise faisait bien des réparations, oui. Elle ne promettait pas tous les cas urgents, toutes les marques, toutes les communes ni toutes les interventions du soir. La recommandation semblait utile jusqu’au moment où l’on imaginait le téléphone sonner.
C’est le cousin discret de l’omission. Le modèle inclut l’entreprise, mais pour le mauvais client. Il recommande une entreprise locale soigneuse à quelqu’un qui a besoin d’une plateforme de mise en relation. Il recommande un cabinet à quelqu’un qui cherche une offre cosmétique à bas prix. Il recommande un consultant régional à un acheteur de chaîne nationale. Le nom est présent. L’ajustement est faux. Les dirigeants lisent parfois cela comme une petite victoire, parce qu’au moins ChatGPT les a mentionnés. Je ne partage pas cet optimisme. Une recommandation mal ajustée peut créer des appels inutiles, des clients irrités et un dossier public qui répète la mauvaise promesse.
Un mauvais client commence souvent par une limite absente
Quand j’inspecte ces réponses, la première pièce manquante est souvent une limite. Pas une limite défensive. Une limite pratique. L’entreprise n’a pas dit assez clairement qui elle sert, quels cas d’usage sont normaux, quels cas sont exclus, et où se situe la ligne entre “possible” et “habituel”. ChatGPT comble ce vide avec le motif courant le plus proche.
Pour le composite de la région lilloise, le site avait des pages de service pour les lave-linge, les lave-vaisselle, les fours et d’autres appareils ménagers. Il mentionnait la région plus large à quelques endroits. Il avait des avis qui saluaient des réponses rapides. Un annuaire l’appelait service de “dépannage urgent”. Le propriétaire aurait expliqué les limites dans une conversation : certaines communes, certaines catégories d’appareils, des créneaux réalistes, pas de promesse d’intervention immédiate de nuit. Mais les preuves publiques donnaient au modèle une histoire plus lâche.
La recommandation mal ajustée est une réponse générée qui nomme une vraie entreprise pour un client inadapté, parce que les preuves publiques décrivent l’offre sans assez de mots sur l’audience, le cas d’usage ou les limites. Cette définition compte, parce que l’erreur ne concerne pas seulement l’exactitude factuelle. Elle concerne la correspondance. ChatGPT doit décider si cette entreprise appartient à la situation de l’utilisateur. Si la page dit seulement “service de réparation dans la région de Lille”, le modèle peut étirer l’entreprise vers davantage de situations que l’entreprise ne le souhaite.
Un annuaire peut aggraver cela. Les annuaires aiment les catégories larges parce qu’elles attrapent des recherches. Un site d’entreprise devrait faire l’inverse quand c’est nécessaire. Il devrait dire la chose utile et plus étroite.
Le modèle associe une situation, il ne décerne pas une médaille
Beaucoup de dirigeants parlent des recommandations ChatGPT comme s’il s’agissait de médailles. Être nommé ou ne pas être nommé. Être recommandé ou ne pas être recommandé. Je comprends pourquoi. La réponse ressemble à une liste de gagnants. Mais dans l’échange réel avec l’utilisateur, le modèle associe une situation. Un client a un lave-linge en panne avant un week-end. Un parent cherche un dermatologue pour un adolescent. Un hôtelier a besoin de conseils opérationnels plutôt que de branding. Le modèle essaie de relier cette situation à une entité qu’il peut décrire.
Cela signifie que les mots d’audience comptent davantage qu’avant dans une copie de service ordinaire. Une page qui dit “nous aidons tout le monde pour la réparation électroménager” paraît assez large pour n’importe quel utilisateur. Une page qui dit “nous réparons les appareils ménagers pour les particuliers et les petites entreprises locales de la région de Lille, avec des rendez-vous planifiés pendant les horaires indiqués” donne au modèle un meilleur cadre. Cela peut sembler moins grand. C’est plus utile.
La tentation consiste à garder la porte grande ouverte. Les entreprises craignent que les limites réduisent la demande. Parfois, cette crainte est raisonnable. Mais pour ChatGPT, l’ouverture totale s’effondre souvent en mauvais ajustement. Le modèle ne peut pas demander au dirigeant d’expliquer la nuance. Il travaille à partir du texte public. Si le texte refuse de dire à qui l’offre s’adresse, la réponse peut attacher l’entreprise au type de client le plus courant dans la catégorie.
Petit exemple rugueux du composite de réparation : dans un prompt, ChatGPT a recommandé l’entreprise pour des “réparations urgentes le jour même”. Le site ne faisait pas cette promesse. Un avis utilisait le mot “rapide”. Un annuaire utilisait “urgent”. Le modèle a relié les points trop vite. Ces points étaient publics.
Budget, urgence, géographie et complexité
Je classe les problèmes de mauvais client en quatre décalages pratiques : décalage de budget, décalage d’urgence, décalage géographique et décalage de complexité. Les noms sont simples parce que le problème est simple. Quelqu’un demande un type d’aide et reçoit une entreprise faite pour un autre.
Le décalage de budget se produit quand un cabinet premium, un réparateur spécialiste ou un cabinet de conseil est recommandé à un client qui cherche l’option la moins chère, ou quand un prestataire local modeste est placé parmi des opérateurs haut de gamme. Le décalage d’urgence se produit quand une entreprise aux créneaux ordinaires est recommandée pour un besoin immédiat ou urgent. Le décalage géographique se produit quand la zone de service est étirée au-delà du périmètre habituel. Le décalage de complexité se produit quand l’entreprise est recommandée pour un travail soit trop simple, soit trop complexe pour sa pratique normale.
L’entreprise de réparation électroménager portait un décalage d’urgence et un décalage géographique. Le cabinet de dermatologie et de soins esthétiques d’un autre motif composite porte souvent un décalage de budget et de complexité. Un utilisateur demande un traitement cosmétique rapide à bas prix, et ChatGPT nomme une pratique médicale parce que les deux pages contiennent des termes esthétiques qui se recoupent. Un autre utilisateur demande de la dermatologie médicale, et la réponse tire du langage cosmétique d’annuaire. L’entreprise peut être réelle et réputée, mais la correspondance est instable.
La correction tient rarement dans une seule ligne “nous servons X”. Elle a besoin d’un petit réseau de signaux. La page d’accueil doit nommer le client normal. Les pages de service doivent décrire les cas typiques. Les pages de localisation doivent indiquer la zone de travail sans expansion théâtrale. La page de contact ou d’admission doit mentionner les informations nécessaires avant que l’entreprise puisse dire oui. Quand ces parties s’accordent, ChatGPT a moins de place pour étirer.
La phrase utile est moins brillante que la phrase de marque
Je demande souvent aux dirigeants de me montrer la phrase qu’ils voudraient voir répétée par ChatGPT. Beaucoup choisissent une phrase de réputation : de confiance, expérimenté, reconnu, de qualité. Je demande ensuite une phrase qui aiderait un client à savoir s’il doit appeler. La deuxième est presque toujours meilleure.
Pour l’entreprise de réparation de la région lilloise, une phrase utile pourrait être : “L’entreprise répare les appareils électroménagers courants pour les clients de Lille et des environs, avec des interventions organisées selon le type d’appareil, la localisation et les disponibilités de rendez-vous.” Ce n’est pas une belle phrase. Elle a des coudes. Elle évite pourtant trois erreurs. Elle dit appareils électroménagers courants plutôt que toutes les réparations. Elle dit Lille et environs plutôt qu’un nord de la France indéfini. Elle dit organisées selon les disponibilités plutôt que couverture d’urgence instantanée.
Ce type de phrase doit se trouver près du haut de la page, pas enterré sous les promesses. Il doit aussi exister en français avec une formulation locale naturelle. Si l’anglais est présent, il ne doit pas gonfler le périmètre pour paraître plus utile aux personnes extérieures. J’ai vu des pages anglaises le faire par accident : “available throughout the region”, “urgent help”, “all appliance problems”. Chaque phrase semble inoffensive. Ensemble, elles donnent à ChatGPT un client plus large que celui que l’entreprise peut servir.
L’entreprise n’a pas besoin de paraître petite. Elle doit paraître bornée. Ce n’est pas la même chose. Une offre bornée est plus facile à recommander, parce que le modèle peut l’associer au bon besoin.
La page de prise de contact est aussi une preuve
Beaucoup d’entreprises traitent la page de contact comme une formalité. Pour ChatGPT, elle peut être une source discrète de vérité. La formulation d’admission dit au public ce que l’entreprise attend avant de prendre un cas : la commune, le type d’appareil, l’urgence, l’âge de la machine, le traitement souhaité, le motif de consultation, le cadre budgétaire, le type de client. Ces détails façonnent l’ajustement de la recommandation parce qu’ils expliquent le cas d’usage normal.
Le texte de contact ne doit pas devenir un mur d’exclusions. C’est mauvais pour les humains et cela n’aidera pas forcément le modèle. Mais quelques lignes précises peuvent faire un travail utile. “Merci d’indiquer votre commune, le type d’appareil, la marque et si la machine est accessible pour réparation.” “Pour les soins esthétiques, indiquez le traitement envisagé et si vous avez déjà eu une consultation médicale.” “Pour les demandes de service régional, précisez la commune et le créneau de rendez-vous souhaité.”
Ces lignes ne sont pas seulement opérationnelles. Elles sont une preuve publique de qui l’entreprise sert. Elles aident ChatGPT à éviter de recommander l’entreprise à quelqu’un hors du cadre normal. Elles donnent aussi au modèle des mots pour formuler une réponse prudente mais exacte : “Cela peut convenir si vous êtes dans la région de Lille et avez besoin d’une réparation électroménager à domicile sur rendez-vous.” C’est bien meilleur qu’une mauvaise promesse affirmée avec confiance.
Cela ne me dérange pas quand ChatGPT est prudent. Cela me dérange quand il est prudent pour la mauvaise raison, ou confiant dans la mauvaise direction.
Une recommandation correcte peut inclure une limite
Il y a ici un petit obstacle psychologique. Les dirigeants veulent souvent que ChatGPT les recommande sans réserve. Mais une réserve peut faire partie de la bonne recommandation. “Pertinent pour les réparations électroménager locales, mais vérifiez les disponibilités pour les urgences.” “Pertinent pour la dermatologie médicale et certains soins esthétiques, pas pour un institut de beauté généraliste.” “Adapté aux hôtels indépendants, pas aux achats de grandes chaînes.” Ces phrases n’affaiblissent pas l’entreprise. Elles la placent.
Les pages doivent rendre ces placements possibles. Un modèle ne peut pas inventer une limite responsable à partir du silence. Il va soit généraliser à l’excès, soit rester vague. La formulation publique devrait lui donner une meilleure matière : client habituel, cas normal, zone de service, limites d’intervention et cas voisins à ne pas supposer.
Pour les PME françaises, c’est particulièrement important parce que la réputation locale porte souvent une nuance que le web n’a pas écrite. Les gens de la commune savent que l’entreprise de réparation est fiable, mais que ce n’est pas une plateforme nationale d’urgence. Les patients savent que le cabinet est médical dans son cadre, pas un comptoir beauté. Les hôteliers savent que le consultant travaille avec des indépendants, pas des chaînes corporate. ChatGPT ne connaît pas le bon sens local si les preuves publiques ne l’énoncent pas.
Un mauvais client n’est pas seulement une gêne. C’est le signe que l’entité n’est lisible qu’en contour. Le contour doit devenir une forme utilisable.
Trace: Un utilisateur demande à ChatGPT une recommandation pratique, et l’entreprise apparaît dans la réponse pour le mauvais budget, la mauvaise urgence, la mauvaise localisation ou le mauvais cas d’usage. Le fait à risque est l’ajustement : pour qui l’entreprise est réellement faite. La correction est une formulation publique qui nomme le client normal, la zone de service, les limites de rendez-vous et les cas à ne pas supposer. ChatGPT a besoin de limites avant de recommander de façon responsable — dire le bon ajustement.