La startup canadienne 
fournit aux marques et enseignes un score de visibilité basé sur l’IA, qui quantifie leur présence au sein des LLM – Large Language Models, les compare à leurs concurrents et révèle les questions précises que se posent les utilisateurs des moteurs de AI search. Grâce à ces insights, elles peuvent créer et d’optimiser du contenu à grande échelle, en garantissant leur pertinence non seulement sur les moteurs de recherche, mais aussi sur les plateformes de découverte pilotées par l’IA.
Problème
Les marques et enseignes perdent en visibilité à mesure que la découverte par les consommateurs se déplace des moteurs de recherche vers des systèmes pilotés par l’IA, comme les grands modèles de langage (LLM). Conséquence : les métriques SEO traditionnelles ne permettent pas de mesurer la performance au sein de ces modèles, laissant les entreprises dans l’incapacité d’évaluer leur part de voix, de connaître les questions réelles que se posent leurs audiences et d’optimiser leur contenu pour la découverte pilotée par l’IA à grande échelle.
Solution
Azoma monitore et mesure la part de voix d’une marque au sein des grands modèles de langage (LLM), révélant à quelle fréquence et dans quel contexte la marque apparaît dans les réponses générées par l’IA. La plateforme lui attribue un score de visibilité IA pour comparer sa performance à celle de ses concurrents et mettre en évidence les questions exactes que posent les consommateurs dans ces environnements LLM.
Grâce à ces insights, les marques peuvent générer et optimiser leur contenu à grande échelle via les workflows pilotés par l’IA de la startup. Cela garantit que leur message est non seulement facilement découvert, mais aussi fiable et cohérent, tant sur les moteurs de recherche traditionnels que sur les plateformes émergentes de découverte alimentées par l’IA.
Bénéfices
- Recevoir des réponses fiables, précises et validées par la marque lorsqu’on interagit avec des systèmes d’IA comme ChatGPT ou Gemini.
- Accéder rapidement à des produits, services ou informations pertinents, grâce à un contenu optimisé pour la découverte par l’IA.
- Profiter d’interactions plus fluides avec les marques sur tous les points de contact numériques, tout en réduisant les informations erronées ou les résultats hors sujet.
- Obtenir un score de visibilité IA clair pour mesurer et suivre leur présence au sein des LLM.
- Évaluer leur part de voix par rapport aux concurrents dans la recherche et la découverte pilotées par l’IA.
- Découvrir les questions réelles que se posent les audiences dans les LLM, afin de créer des contenus qui répondent directement à ces demandes.
- Optimiser et déployer du contenu à grande échelle grâce aux workflows IA, tout en réduisant les coûts et en accélérant le time-to-market.
- Anticiper l’évolution de leur visibilité, alors que la découverte des contenus se déplace des moteurs de recherche classiques vers les assistants IA.
Références
Business Cases
La marque perdait de la part de voix au sein des assistants IA (ChatGPT, Gemini, etc.). Elle apparaissait très peu dans les « mentions » ou « réponses » des LLM pour les requêtes proches de sa marque. Elle manquait également d’insights sur les questions que les utilisateurs posaient dans les LLM concernant ses catégories de produits, ce qui rendait ses efforts de contenu mal alignés avec la demande de découverte par l’IA.
- Benchmarking de leur score de visibilité IA et calcul de la part de voix de référence par rapport aux concurrents.
- Exploration des requêtes dans les LLM pour identifier les questions exactes que se posaient les audiences sur leur catégorie de produits.
- Création de contenu optimisé à grande échelle (blogs, FAQ, contenu produit) ciblant ces questions, conçu pour l’ingestion et la citation par les LLM.
- Optimisation itérative basée sur les métriques de performance au sein des LLM.
- Score de visibilité IA de référence en hausse de 250 % en 6 mois
- Marque mentionnée dans plus de 60 % des réponses ciblées des LLM contre moins de 20 % auparavant
- Trafic organique provenant des canaux IA en hausse de 35 %
- Coût par unité de contenu réduit de 40 % grâce à la mise à l’échelle et à l’automatisation
- ROI estimé : 4× le retour sur investissement contenu (soit pour chaque 1 € dépensé, 4 € de revenus ou bénéfices nets attribuables)
Cette marque disposait de solides opérations SEO et de contenu web, mais était quasiment invisible au sein des LLM. Lorsque les consommateurs posaient des questions sur les produits ou les soins de la peau dans les assistants IA, la marque était rarement citée, laissant la place aux concurrents ou aux sources génériques. Elle manquait d’insights sur les questions que se posaient ses audiences dans les LLM, et ses efforts de création de contenu n’étaient pas alignés avec cette demande.
- Réalisation d’un audit de référence — mesure du score de visibilité IA, de la part de voix au sein des LLM et benchmarking face aux concurrents de la catégorie.
- Extraction des questions réelles posées par les audiences dans les LLM autour de la beauté, des soins de la peau, des ingrédients et des routines.
- Mise en place d’un pipeline de contenu : réponses optimisées pour l’IA, guides produits, listes “how-to”, contenus FAQ, tous conçus pour l’ingestion et la citation par les LLM.
- Optimisation itérative : suivi du contenu cité, ajustement des formats, liens internes, signaux d’autorité et distribution pour améliorer l’inclusion.
- Score de visibilité IA passé de ~15 à ~65 en 6 mois
- Part de voix dans les réponses ciblées des LLM : ~10 % → ~50 %
- Trafic provenant des canaux IA (ou visites attribuées aux LLM) : +28 %
- Taux de conversion sur le trafic issu des recommandations IA : 1,8× supérieur à la référence
- Coût par contenu exploitable réduit de 35 % grâce à la réutilisation, l’automatisation et le ciblage
- ROI estimé : 5× le retour sur l’investissement contenu et optimisation
La marque bénéficiait d’une bonne visibilité dans la recherche classique d’Amazon, mais était quasiment invisible dans le nouvel assistant IA d’Amazon, Rufus. Lorsque les acheteurs commençaient à poser des questions via Rufus (ex. : « Quel thermostat intelligent fonctionne avec Alexa et Google Home ? »), les produits de la marque n’apparaissaient pas dans les recommandations pilotées par l’IA. La marque manquait d’insights sur les questions posées par les utilisateurs concernant sa catégorie via Rufus et sur la manière d’aligner ses fiches produits et contenus pour être mis en avant par l’assistant.
- Audit de la visibilité IA de la marque sur Rufus et benchmark de la part de voix par rapport aux concurrents.
- Cartographie de l’ensemble des questions posées par les utilisateurs dans l’univers maison connectée / thermostats.
- Création de contenu produit optimisé (descriptions, FAQ, cas d’usage, guides comparatifs) ciblé sur ces questions et structuré pour s’aligner sur la logique de recommandation de Rufus (contexte, attributs subjectifs, scénarios).
- Suivi itératif du contenu cité ou mis en avant par Rufus, avec ajustement des formats, métadonnées et fiches produits en conséquence.
- Fréquence des mentions sur Rufus (part de voix) pour les requêtes cibles : de ~5 % à ~45 %
- Visibilité dans les réponses produits pilotées par l’IA : avant : très faible ; après : forte présence dans le top 3
- Trafic référent depuis Amazon lié aux requêtes : +25 %
- Taux de conversion sur le trafic IA / référent : 1,7× supérieur à la référence
- Coût par contenu optimisé utilisable : -30 % grâce à la réutilisation, aux templates et aux workflows IA
- ROI : ~4,5× le retour sur l’investissement contenu & optimisation
