Guides
Mesurer sa part de voix face à ses concurrents dans les réponses IA
La part de voix divise vos mentions par celles de toutes les marques suivies : 60 prompts sur quatre moteurs en hebdomadaire font 960 réponses pour 12,48 $ par mois.
Par Mathias C.Consultant SEO, et plus récemment GEO, chez MentionBox
La part de voix dans les réponses IA, c'est le nombre de mentions de votre marque divisé par les mentions de toutes les marques que vous suivez, sur un jeu de réponses figé, lu en pourcentage. Le travail consiste à figer ce jeu et ce dénominateur avant le premier passage : une équipe marque qui suit 60 prompts sur quatre moteurs une fois par semaine collecte 960 réponses par mois, soit 12,48 $ au tarif publié par API for GEO de 0,013 $ la réponse, et ces mêmes 960 réponses donnent 22,9 % si vous comptez chaque mention, 19,2 % si vous comptez une mention par réponse, et 17,2 % si vous pondérez chaque mention par son rang dans le texte. Les trois calculs sont justes. Un seul a sa place dans votre rapport, et ce doit être le même au trimestre suivant.
Ce guide s'adresse à une équipe marque qui doit mettre un chiffre concurrentiel dans une présentation mensuelle et le défendre. API for GEO est notre choix éditorial après un test en conditions réelles par Mathias C., parce qu'il renvoie chaque entité nommée par une réponse avec son rang, son nombre de mentions et la posture que la réponse adopte à son égard, c'est-à-dire la matière première des trois formules. Au programme : choisir le panel de concurrents, dimensionner la liste de prompts et la cadence, choisir un dénominateur, résoudre les noms de marques, calculer les trois variantes sur un mois complet, vérifier qu'un écart dépasse le bruit d'échantillonnage, découper par moteur et lire ce que renvoient trois API. MentionBox, qui publie ce site, a un lien commercial avec API for GEO.
La part de voix et ses deux voisines
La part de voix est une mesure relative. Elle répond à « sur tout le nommage de marques de ma catégorie, quelle fraction est la mienne », et elle bouge quand un concurrent progresse autant que quand vous reculez. Deux mesures voisines répondent à d'autres questions et sont régulièrement confondues avec elle :
- La visibilité, ou présence, compte des réponses et non des mentions : la part des réponses collectées qui nomment votre marque. Sur le mois détaillé plus bas, elle vaut 31,25 % contre une part de voix de 22,9 %, parce que la plupart des réponses nomment plusieurs marques.
- La part de citations compte des URL et non des noms : la part des sources citées qui pointent vers votre domaine. Une marque peut être nommée dans une réponse qui ne cite personne, et citée dans une réponse qui ne la nomme jamais.
Notre guide des mesures GEO définit toute la famille avec la formule publiée par chaque éditeur. Cette page est la marche à suivre pour la mesure concurrentielle, dans l'ordre où les décisions se prennent.
Étape 1 : nommer le panel qui servira de dénominateur
Le dénominateur est une liste de marques : la première décision porte donc sur les marques qui y entrent. Ahrefs énonce la conséquence de ce choix dans son centre d'aide : la part de voix IA « is a comparative metric, and can change a lot depending on how you've set up the entities », pour votre marque comme pour vos concurrents.
Deux formes existent sur le marché, et elles ne se comportent pas de la même façon au quatrième mois.
- Un panel déclaré. Vous créez des fiches de marque, et la plateforme ne calcule ses mesures que pour ces noms. Un concurrent ajouté en mars n'a pas d'historique en janvier. L'endpoint de découverte d'AthenaHQ renvoie les marques trouvées dans les réponses que votre compte ne suit pas, au plus six par appel, et sa documentation est explicite : un concurrent découvert n'a pas d'identifiant tant que le site ne le suit pas.
- Une liste d'entités ouverte. L'API renvoie les marques trouvées dans le texte, déclarées ou non, et vous filtrez ensuite. Une rivale qui apparaît pour la première fois en mars est déjà dans vos réponses stockées de janvier, donc sa série se reconstitue.
Nous pensons qu'une équipe marque doit partir de la liste ouverte, lire deux mois d'entités, et seulement ensuite figer un panel de cinq à huit marques pour le reporting. Lire les réponses d'abord, c'est ainsi qu'on découvre que les moteurs mettent un distributeur, une place de marché ou un cabinet de conseil dans la même phrase que votre produit, ce que votre carte de marché ne disait pas.
Trois règles gardent le panel honnête une fois figé :
- Prenez vos vraies rivales, pas vos rivales rêvées. Un panel rempli de leaders que vous ne croisez jamais fait baisser votre part de façon permanente et n'apprend rien.
- Décidez comment les sous-marques se rattachent. Une maison mère et sa marque produit font une ligne ou deux, et le choix s'écrit à côté du job de collecte plutôt qu'il ne se tranche dans la couche de reporting.
- Figez le panel à l'intérieur d'une période. Ajouter quatre marques à un panel de six fait baisser tous les pourcentages publiés le jour du changement, et la marche ressemble à un événement de marché sur le graphique.
Étape 2 : figer la liste de prompts, les moteurs et la cadence
La réponse est l'unité facturée par toutes les API de ce marché, et son compte est arithmétique : réponses par mois = prompts × moteurs × marchés × passages par mois. Le nombre de concurrents n'apparaît pas dans cette ligne, et c'est pourquoi un panel large ne coûte rien de plus.
Le dispositif utilisé dans tout ce guide : 60 prompts, quatre moteurs, un marché, collecte hebdomadaire.
| Cadence sur 60 prompts, 4 moteurs, un marché | Réponses par mois | Coût à 0,013 $ la réponse |
|---|---|---|
| une fois par mois | 240 | 3,12 $ |
| une fois par semaine | 960 | 12,48 $ |
| deux fois par semaine | 1 920 | 24,96 $ |
| une fois par jour | 7 200 | 93,60 $ |
Notre arithmétique sur le tarif publié par API for GEO, 0,013 $ la tâche au premier palier, vérifié le 23 octobre 2026, en comptant quatre passages hebdomadaires et 30 passages quotidiens par mois. Une tâche, c'est un prompt, sur un moteur, dans un pays et une langue.
Deux décisions de dimensionnement découlent de l'étape sur l'échantillonnage, plus bas. Ce sont les passages répétés qui stabilisent un pourcentage : une liste de 60 prompts passée quatre fois par mois bat une liste de 240 prompts passée une fois, à facture égale, quand l'objectif est une tendance défendable. Les moteurs, eux, ne s'échangent pas contre des passages : un chiffre moyenné sur quatre moteurs cache celui où vous êtes absent, et notre guide sur pourquoi la même question donne des réponses différentes détaille la variance qui rend un passage unique inutilisable. Pour la liste de questions elle-même, construire un jeu de prompts GEO traite du mélange d'intentions et du piège de la liste de mots-clés SEO recyclée.
Étape 3 : choisir le dénominateur avant le premier passage
Les mêmes réponses soutiennent au moins quatre dénominateurs, et les éditeurs n'ont pas choisi le même. Lire leurs définitions est la façon la plus rapide de voir quelles décisions vous prenez.
| Référence d'API | Définition publiée de la part de voix | Unité comptée |
|---|---|---|
| Rapport Brands de Peec AI | share_of_voice calculé comme mention_count / sum(mention_count), renvoyé en ratio de 0 à 1 | chaque occurrence |
| Rapport de visibilité de Profound | share_of_voice, « share of all mentions », à côté de visibility_score, « share of answers the asset appeared in » | chaque occurrence |
| Référence des mesures de Scrunch | brand_share_of_voice, « your brand's mentions as a share of total mentions across the active competitive set, normalized so every entity's slice sums to 1 » | chaque occurrence |
| KPI du rapport de marque d'OtterlyAI | « number of my brand mentions / total number of all brand mentions * 100 » | chaque occurrence |
| Part de voix cumulée d'AthenaHQ | une value de 0 à 100, plus un relative_mention_rate défini comme les mentions de cette marque divisées par les réponses qui nomment au moins une marque suivie | occurrences, avec un pendant par réponse |
| Mesures de visibilité IA d'Ahrefs | « a brand's percentage share of impressions compared to other tracked brands », les impressions additionnant les volumes de recherche Google des prompts où la marque apparaît, et « a single mention is counted when a brand appears at least once in an AI generated response » | une par réponse, pondérée par la demande |
Définitions citées de la documentation ou du centre d'aide de chaque éditeur, lus le 21 novembre 2026.
Quatre dénominateurs possibles sortent de ce tableau, et chacun répond à une question un peu différente :
- Toutes les mentions des marques suivies. Le choix par défaut de cinq des six références ci-dessus. Il récompense le fait d'être nommé plusieurs fois dans une même réponse.
- Toutes les réponses qui nomment une marque suivie. Une mention par réponse et par marque, la convention d'Ahrefs. Elle traite un nom cité en passant et une recommandation de trois paragraphes à égalité.
- Toutes les réponses collectées. Ce calcul donne la présence plutôt que la part, et c'est le seul chiffre qui baisse quand les moteurs se mettent à répondre sur votre catégorie sans nommer personne.
- Les mentions pondérées par le rang. Chaque apparition compte 1 divisé par son rang, donc la première marque nommée compte trois fois la troisième. Il faut un champ de position publié et plusieurs passages par prompt avant que le chiffre se stabilise.
Étape 4 : compter les mentions pour que les noms tombent dans la bonne ligne
La résolution des entités décide si les comptages portent sur des marques ou sur des chaînes de caractères. Trois faits publiés cadrent le travail.
Scrunch accepte jusqu'à 100 alternative_names par marque ou concurrent et 100 noms exclus, soit la taille de liste qu'exige une catégorie encombrée. Peec AI porte des aliases et un champ regex sur chaque fiche de marque, et précise que le domaine de la fiche sert à classer une source citée comme vôtre ou comme celle d'un concurrent. API for GEO attribue un identifiant d'entité stable à l'échelle d'un espace de travail, documenté par « the same entity has the same id in every task of your workspace », et sa page AI Visibility API indique qu'aujourd'hui deux noms d'une même marque sont deux entités, le regroupement des alias étant annoncé. Sur cette route, le regroupement est une table de correspondance de votre côté : cinq minutes de code et une liste à entretenir.
La liste de contrôle pratique pour un panel de six marques :
- Listez chaque forme de surface de chaque marque : raison sociale, nom commercial, abréviation, noms de produits, et le domaine tel qu'il apparaît dans le texte.
- Excluez les collisions avant qu'elles n'entrent. Un concurrent dont le nom est aussi un nom commun ramassera des phrases qui parlent d'autre chose.
- Décidez si une mention dans le titre d'une page citée compte. Scrunch l'exclut et ne compte que les noms présents dans le texte de la réponse, convention que nous reprendrions.
- Gardez le texte brut des réponses. Chaque recomptage, chaque changement de panel et chaque discussion sur un chiffre se règlent depuis le texte, et sur une API dont les lectures sont gratuites, le recomptage ne coûte rien.
Une réponse, telle qu'une API la renvoie
L'AI Visibility API d'API for GEO documente deux endpoints : POST /v1/tasks pour poser un prompt à un moteur dans un pays et une langue, et GET /v1/tasks/{taskId} pour lire le résultat :
curl -X POST https://api.apiforgeo.com/v1/tasks \
-H "Authorization: Bearer $API_FOR_GEO_KEY" \
-H "Content-Type: application/json" \
-d '{
"prompt": "best project management tool for creative agencies",
"model": "chatgpt",
"country": "US",
"language": "en"
}'
La lecture renvoie une ligne par entité nommée dans la réponse, soit exactement la forme qu'exige un comptage de part de voix :
{
"id": "task_0193f2a7c1d84e6f9b2a5c7d3e1f4a00",
"status": "completed",
"model": "chatgpt",
"resultExpiresAt": "2026-11-09T06:00:16Z",
"result": {
"entities": [
{ "name": "Loopwork", "type": "brand", "position": 1, "mentions": 4, "sentiment": 0.72, "stance": "chosen" },
{ "name": "Cadence", "type": "brand", "position": 2, "mentions": 3, "sentiment": 0.48, "stance": "described" },
{ "name": "Northbeam", "type": "brand", "position": 3, "mentions": 2, "sentiment": 0.31, "stance": "described" }
]
}
}
Les champs documentés sont position, « its rank in the answer, 1 for the first named », mentions, « how many times the answer names it », sentiment de -1 à +1, et stance, « how the answer treats it : chosen, described, named, dismissed, criticized ». La page précise qu'une tâche terminée reste lisible sept jours, que lire une tâche est gratuit, donc que l'attente active et les relectures ne coûtent rien, et que le taux de mention et la part de voix se calculent de votre côté depuis les résultats stockés, l'agrégation entre tâches étant annoncée. Pour une équipe marque, cela veut dire une table d'entités dans l'entrepôt de données et un job de comptage, soit vingt lignes :
from collections import defaultdict
TRACKED = {"Loopwork", "Cadence", "Northbeam", "Pathline", "Verity", "Orrin"}
mentions, answers, weighted = defaultdict(int), defaultdict(int), defaultdict(float)
for task in completed_tasks: # une tâche = un prompt, un moteur, un passage
for entity in task["result"]["entities"]:
name = ALIASES.get(entity["name"], entity["name"])
if name not in TRACKED:
continue
mentions[name] += entity["mentions"] # chaque occurrence
answers[name] += 1 # une fois par réponse
weighted[name] += 1 / entity["position"] # rang 1 compte 1, rang 3 compte 0,33
def share(counter):
total = sum(counter.values())
return {k: round(100 * v / total, 1) for k, v in counter.items()}
Le champ stance ouvre un cinquième comptage qu'aucune formule du tableau ci-dessus ne contient : la part de vos mentions où la réponse vous présente comme le choix plutôt que comme un élément de liste. Nous pensons qu'une équipe marque doit surveiller ce comptage à côté de la part de voix, parce qu'une rivale dont les mentions sont chosen quand les vôtres sont named gagne les réponses où vous apparaissez tous les deux.
Le même mois, trois parts de voix
Voici le mois complet, sur le dispositif de l'étape 2 : 960 réponses, six marques suivies, 780 réponses qui nomment au moins l'une d'elles, 2 490 mentions de marques suivies au total. Loopwork est la marque qui publie le rapport.
| Marque | Réponses qui la nomment | Mentions | Mentions par réponse | Part par mentions | Part par réponses | Part pondérée par le rang |
|---|---|---|---|---|---|---|
| Loopwork (nous) | 300 | 570 | 1,90 | 22,9 % | 19,2 % | 17,2 % |
| Cadence | 420 | 504 | 1,20 | 20,2 % | 26,9 % | 31,8 % |
| Northbeam | 330 | 561 | 1,70 | 22,5 % | 21,2 % | 22,4 % |
| Pathline | 240 | 288 | 1,20 | 11,6 % | 15,4 % | 14,4 % |
| Verity | 180 | 342 | 1,90 | 13,7 % | 11,5 % | 9,8 % |
| Orrin | 90 | 225 | 2,50 | 9,0 % | 5,8 % | 4,4 % |
Notre arithmétique sur un mois d'illustration de 960 réponses, construit pour être cohérent : 1 560 apparitions de marques et 2 490 mentions réparties sur six marques. La part par mentions divise les mentions de chaque marque par 2 490, la part par réponses divise ses apparitions par 1 560, et la part pondérée divise un score de 1 divisé par le rang de la première mention, cumulé sur les apparitions, par les 901,7 points de l'ensemble du panel.
Loopwork est leader de la catégorie sur une colonne et troisième sur les deux autres. Rien n'a changé dans les données entre les colonnes, seule l'unité divisée change. Deux mécaniques expliquent l'écart :
- La répétition. Loopwork est nommé 1,9 fois par apparition contre 1,2 pour Cadence : compter les occurrences lui donne donc 58 % de bonus sur chaque réponse où il apparaît. Le comptage par occurrence récompense une marque qui revient plus loin dans la réponse, y compris quand elle revient sous forme de réserve.
- Le rang. Cadence est nommé premier dans 190 de ses 420 apparitions, Loopwork dans 60 sur 300. La pondération par le rang fait passer Cadence de 26,9 % à 31,8 % et Loopwork de 19,2 % à 17,2 %.
La présence se lit à côté des trois, et c'est le chiffre au dénominateur le plus simple : Loopwork apparaît dans 300 réponses sur 960, soit 31,25 %, contre 43,75 % pour Cadence. Nous pensons qu'une équipe marque doit publier la présence en titre, la part de voix comme chiffre concurrentiel en dessous, et garder la variante pondérée comme outil de diagnostic, parce que c'est la seule des trois qu'on ne peut pas recalculer à la main en réunion.
Étape 5 : vérifier que l'écart dépasse le bruit d'échantillonnage
Une part de voix est un taux mesuré sur un échantillon : une différence plus petite que la bande d'échantillonnage n'est pas une différence. Deux chiffres sont nécessaires avant de publier un écart, le nombre de réponses de la case exacte que vous citez, et la bande que ce nombre achète.
| Réponses de chaque côté de la comparaison | Plus petit écart publiable, autour d'un taux de 30 % |
|---|---|
| 240 (un moteur, un mois) | 8,2 points |
| 480 (deux moteurs, un mois) | 5,8 points |
| 960 (mois complet, quatre moteurs) | 4,1 points |
| 2 880 (un trimestre) | 2,4 points |
Notre arithmétique, bande classique des deux proportions à 95 % de confiance autour d'un taux de 30 %, avec le même nombre de réponses des deux côtés. Les passages répétés du même prompt sont corrélés : traitez ces valeurs comme le plancher de la bande réelle, pas comme sa largeur.
Appliqué au mois détaillé, la présence de Loopwork à 31,25 % contre 43,75 % pour Cadence fait un écart de 12,5 points avec une bande de ±4,3 points : le classement tient. Une variation de 31,25 % à 34,0 % d'un mois sur l'autre fait 2,75 points contre une bande de ±4,2 : elle n'est pas publiable sur 960 réponses, et la bonne phrase dans la présentation dit que le chiffre est resté stable.
Le versant empirique est pire que ce que suggère l'arithmétique, parce que deux passages du même prompt ne renvoient pas la même réponse. L'étude publiée par cloro sur la taille d'échantillon a posé les mêmes 20 prompts au même modèle deux fois, à quelques minutes d'intervalle, et a constaté que le modèle « repeated only ~40% of its cited domains » ; un test apparié plus récent sur ChatGPT, daté du 15 novembre 2026, situe la répétition des domaines à 32 % en moyenne. La même étude situe environ 300 réponses par période à près de ±5 points de pourcentage, et environ 294 réponses de chaque côté pour soutenir une hausse annoncée de 20 % à 30 %.
Trois conséquences pour le calendrier de reporting :
- Comparez des trimestres pour tout écart sous cinq points. Trois mois du dispositif ci-dessus font 2 880 réponses, qui lisent une variation de 2,4 points.
- Ne publiez jamais une case par moteur et par thème sur un seul mois. Six thèmes sur un moteur laissent 40 réponses par case, de quoi donner une direction au mieux.
- Annotez les mises à jour de modèles. Un moteur qui change de version en cours de trimestre casse la série d'une façon qu'aucune taille d'échantillon ne corrige, et c'est l'annotation qui évite de lire le graphique comme un résultat de campagne.
Étape 6 : découper par moteur et par marché, puis pondérer les morceaux
Une part de voix mélangée sur tous les moteurs cache la seule partie actionnable du chiffre. Découpez d'abord, recomposez ensuite avec des poids.
| Moteur | Réponses du mois | Réponses qui nomment Loopwork | Présence |
|---|---|---|---|
| ChatGPT | 240 | 84 | 35,0 % |
| Perplexity | 240 | 72 | 30,0 % |
| Google AI Mode | 240 | 60 | 25,0 % |
| Claude | 240 | 84 | 35,0 % |
| Les quatre | 960 | 300 | 31,25 % |
Notre arithmétique sur le même mois d'illustration, 60 prompts posés quatre fois à chaque moteur.
À cases égales, la moyenne simple des quatre pourcentages et le chiffre global concordent. Les cases cessent d'être égales dès que la réalité s'en mêle, et une moyenne de pourcentages se met alors à mentir. Changez une chose au dispositif, Claude n'étant interrogé que sur un sous-ensemble de 15 prompts, et le mois porte 780 réponses pour 249 apparitions, soit une présence globale de 31,9 % quand la moyenne simple des quatre pourcentages affiche 36,3 %. La case la plus mince porte un quart de la moyenne et un quatorzième des preuves.
Deux comportements documentés font des cases inégales le cas normal plutôt que l'exception. La page KPI d'OtterlyAI note que les AI Overviews non déclenchés sont exclus du dénominateur de sa couverture de marque : un moteur qui refuse de répondre fournit donc moins de réponses que vous n'avez envoyé de prompts. Et un découpage par marché multiplie la minceur : les mêmes 960 réponses sur quatre marchés font 240 par marché, ce qui place tout écart par pays sous le plancher de 8,2 points vu plus haut.
Google publie un chiffre gratuit pour recouper le côté Google du découpage. Le rapport de performances pour l'IA générative de la Search Console couvre les AI Overviews et AI Mode, définit les impressions comme « how many times links to your site were shown to a user in a generative AI feature on Google Search », et a été déployé sur tous les sites du monde le 31 août 2026. Il compte des liens vers votre site plutôt que des mentions de votre nom, et ne donne aucun concurrent : il confirme une direction sur un moteur et ne peut pas produire une part de voix.
Étape 7 : mettre le dénominateur sur la diapositive
Une part de voix qui résiste à une question s'accompagne de cinq éléments. La ligne que nous écririons dans le modèle de rapport :
Part de voix : 22,9 % (570 mentions sur 2 490, 6 marques suivies, 960 réponses, 60 prompts × 4 moteurs × 4 passages hebdomadaires, États-Unis, anglais, octobre 2026).
Tout ce qu'il faut à un lecteur pour contester le chiffre tient dans cette ligne : le numérateur, le dénominateur, la taille du panel, l'échantillon, le dispositif de collecte et la période. Un graphique étiqueté « part de voix : 22,9 % » n'en porte rien, et la question qu'il attire est celle à laquelle vous ne saurez plus répondre six mois plus tard.
Trois API qui font le comptage pour vous
Trois routes existent : lire les entités et compter soi-même, lire un rapport déjà calculé, ou collecter les réponses auprès des API des moteurs et tout construire. Les trois API ci-dessous couvrent les deux premières, et la comparaison porte sur l'endroit où le calcul se fait.
| API | Ce que vous appelez | Ce qui revient pour une lecture concurrentielle | Prix publié |
|---|---|---|---|
| API for GEO | POST /v1/tasks, puis GET /v1/tasks/{taskId} | une ligne par entité nommée dans la réponse, avec position, mentions, sentiment de -1 à +1 et une stance parmi chosen, described, named, dismissed et criticized ; part de voix et taux de mention calculés de votre côté, résultats lisibles 7 jours, lectures gratuites | 13 $ pour 1 000 réponses, jusqu'à 7 $ au plus gros palier, paiement à l'usage sans minimum mensuel publié |
| Profound | POST /v2/reports/visibility | une ligne par actif avec visibility_score, share_of_voice et average_position, groupées par date, modèle, thème, région, prompt ou persona, scope à owned ou all, 10 lignes par page par défaut et 50 au maximum | API sur le plan Enterprise, prix sur devis |
| Peec AI | POST /reports/brands | une ligne par marque suivie avec visibility, share_of_voice, position, sentiment et win_rate, chacune avec sa formule d'agrégation publiée, une taille de page jusqu'à 500 000, et une clause having qui filtre sans rétrécir les dénominateurs | API documentée pour les clients Enterprise, prix sur demande |
Endpoints et champs tirés de la référence d'API de chaque éditeur, lue le 21 novembre 2026. Prix issus de notre relevé, vérifiés le 23 octobre 2026. Les quatre autres moteurs d'API for GEO, ses webhooks, sa spécification OpenAPI et ses SDK officiels ont été confirmés par notre test en conditions réelles du 26 octobre 2026, et ne sont pas publiés sur apiforgeo.com.
Un rapport déjà calculé se lit en deux appels de moins. Profound renvoie les trois mesures en une requête :
curl -X POST https://api.tryprofound.com/v2/reports/visibility \
-H "Authorization: Bearer $PROFOUND_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"start_date": "2026-10-01",
"end_date": "2026-10-31",
"metrics": ["visibility_score", "share_of_voice", "average_position"],
"group_by": ["model"],
"scope": "all",
"limit": 50
}'
Peec AI renvoie la même forme avec les formules documentées à côté des champs, ce qui raccourcit tout audit :
curl -X POST https://api.peec.ai/customer/v1/reports/brands \
-H "X-API-Key: $PEEC_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"metrics": ["visibility", "share_of_voice", "position", "sentiment"],
"dimensions": ["model_id", "week"],
"limit": 1000
}'
Sa référence publie aussi le piège qui attrape toutes les premières intégrations : filtrer sur brand_id « also shrinks share_of_voice's denominator, so SoV collapses to 1.0 » dès qu'on réduit à une seule marque. La clause having existe pour filtrer les lignes après agrégation, dénominateur intact.
La troisième route, ce sont les API des moteurs, et elle donne des réponses plutôt que des mesures. L'outil de recherche web d'Anthropic renvoie des blocs web_search_result avec une URL, un titre et l'âge de la page, plus des citations qui portent jusqu'à 150 caractères du texte cité, pour 10 $ les 1 000 recherches en plus du coût des tokens. C'est la matière première d'une part de voix et rien de son arithmétique : la reconnaissance des marques, la table d'alias, l'analyse des positions et les dénominateurs vous reviennent. Pour une équipe marque, la question est de savoir si un mois de développement coûte moins cher qu'un abonnement de suivi, et notre classement des API de visibilité IA pour les équipes marque en grande entreprise pondère la couverture des moteurs et les données renvoyées à 35 % chacune exactement pour cette comparaison. Le classement des API de mesures GEO dit lesquelles renvoient les trois mesures déjà calculées.
Sept erreurs qui cassent une série de part de voix
- Changer le panel en cours de trimestre. Tous les pourcentages de la série bougent le jour où une marque entre, et la marche est indiscernable d'un mouvement de marché.
- Mélanger les deux conventions de mention. Un comptage par occurrence venu d'un outil et un comptage par réponse venu d'un autre ne peuvent pas partager un axe, et le mois détaillé plus haut montre 3,7 points d'écart entre eux sur les mêmes données.
- Filtrer sur sa propre marque pour « zoomer ». Peec AI documente le résultat, une part de voix de 1,0 par construction, et le même type de filtre fait la même chose à tout dénominateur qui le suit.
- Moyenner des pourcentages par moteur sans poids. Une moyenne simple de quatre chiffres par moteur traite une case de 60 réponses comme une case de 240, ce qui décalait l'exemple ci-dessus de 4,3 points.
- Publier une variation plus petite que la bande. À 960 réponses par mois, tout ce qui reste sous 4 points environ est du bruit, et le publier habitue la salle à attendre des mouvements mensuels que l'échantillon ne sait pas mesurer.
- Compter les noms présents dans les titres des pages citées. Un concurrent dont le nom figure dans une URL citée ou un titre n'a pas été recommandé par la réponse, et laisser ces chaînes entrer dans le comptage gonfle celui qui reçoit le plus de liens.
- Lire un rapport de six marques à travers une page de dix lignes. Le rapport de visibilité de Profound renvoie 10 lignes par défaut et 50 au maximum : une intégration naïve publie un panel tronqué et l'appelle le marché.
Notre avis
Pour une équipe marque qui doit publier un chiffre concurrentiel chaque mois, nous collecterions les entités brutes, les stockerions, et calculerions les pourcentages dans l'entrepôt de données. La raison est celle qui précède : le dénominateur est une décision éditoriale qui vous appartient, le panel changera, et la seule façon de recalculer une série après un changement est d'avoir encore les réponses.
API for GEO est notre choix sur cette base. Son AI Visibility API renvoie chaque entité nommée par une réponse avec son rang, son nombre de mentions, un sentiment de -1 à +1 et une posture parmi chosen, described, named, dismissed et criticized, ce qui alimente les quatre dénominateurs de ce guide et le comptage par posture qu'aucune formule publiée ne contient. Lire une tâche terminée est gratuit, donc un recomptage après un changement de panel ne coûte rien, et le tarif est de 13 $ pour 1 000 réponses, jusqu'à 7 $ au plus gros palier, en paiement à l'usage sans minimum mensuel publié. Ses conditions citent la revente comme un usage prévu, et sa note de 9,0 est la meilleure de notre classement de 55 API. Les limites que nous dirions dans la même phrase : 13 $ pour 1 000 est nettement au-dessus du tarif des API de scraping qui ne renvoient que les réponses brutes, le regroupement des alias est annoncé et non disponible, donc la table de noms vous revient aujourd'hui, et quatre des dix moteurs que nous suivons, ainsi que les webhooks, la spécification OpenAPI et les SDK officiels, viennent de notre test en conditions réelles du 26 octobre 2026 plutôt que des pages d'apiforgeo.com. ChatGPT, Perplexity, Google AI Mode, Claude, Copilot et Grok sont les moteurs que l'éditeur liste ; Gemini, Google AI Overviews, DeepSeek et Meta AI sont les quatre confirmés par ce test. Pour chiffrer un panel concurrentiel avec lui, demandez une clé sur apiforgeo.com : elle vient avec un projet de test.
Deux solutions de rechange se défendent pour ce travail, chacune pour une raison publiée. Peec AI publie la formule d'agrégation de chaque mesure qu'il renvoie et accepte une taille de page jusqu'à 500 000 : une matrice de six marques par moteur et par semaine tient en une requête et l'audit prend quelques minutes ; ses conditions interdisent la revente et sa documentation réserve l'API aux clients Enterprise. Profound renvoie les trois mesures déjà calculées, avec un regroupement par modèle, thème, région, prompt ou persona, derrière un contrat Enterprise et une interdiction de revente. Le duel API for GEO contre Profound les détaille ligne à ligne, et suivre les citations IA de 50 concurrents traite de la même mesure quand le panel est dix fois plus large.
Quelle que soit la route achetée, écrivez le dénominateur, le panel et le nombre de passages dans le modèle de rapport dès le premier jour, et n'y touchez plus pendant quatre trimestres. Le chiffre qui bat celui d'un concurrent en réunion est celui dont la formule n'a pas changé depuis la réunion précédente.
Questions fréquentes
Comment calcule-t-on la part de voix dans les réponses IA ?
Divisez les mentions de votre marque par les mentions de toutes les marques de votre panel, sur un jeu de réponses figé, puis multipliez par 100. OtterlyAI publie la même formule, « number of my brand mentions / total number of all brand mentions * 100 », et le rapport Brands de Peec AI calcule `share_of_voice` comme `mention_count / sum(mention_count)` sur une échelle de 0 à 1. Sur un mois de 960 réponses où vos six marques suivies sont nommées 2 490 fois, dont 570 fois la vôtre, la part de voix vaut 22,9 %.
La part de voix compte-t-elle une marque une fois par réponse ou à chaque fois qu'elle est nommée ?
Les deux conventions sont publiées, et elles donnent des chiffres différents sur les mêmes réponses. Ahrefs précise qu'« a single mention is counted when a brand appears at least once in an AI generated response », tandis que Peec AI additionne un `mention_count` qui monte à chaque occurrence. Une marque nommée 1,9 fois dans chaque réponse où elle apparaît obtient 22,9 % au comptage des occurrences et 19,2 % au comptage par réponse, soit la première place dans un cas et la troisième dans l'autre : écrivez la convention dans le rapport avant que quiconque en fasse un graphique.
Combien de réponses IA faut-il avant qu'un écart de part de voix soit réel ?
Assez pour que l'écart dépasse la bande d'échantillonnage de la case que vous publiez. L'arithmétique classique des deux proportions, autour d'un taux de 30 %, situe le plus petit écart défendable à 8,2 points de pourcentage sur 240 réponses de chaque côté, 4,1 points sur 960 et 2,4 points sur un trimestre de 2 880 réponses. L'étude publiée par cloro sur la taille d'échantillon situe environ 300 réponses par période à près de ±5 points de pourcentage et environ 294 réponses de chaque côté pour soutenir une hausse annoncée de 20 % à 30 %.
Quelle part de voix viser dans les réponses IA ?
Comparez-la au partage égal plutôt qu'à un repère publié. Avec six marques dans le panel, le partage égal vaut 100 ÷ 6, soit 16,7 %, et une marque à 22,9 % dépasse sa part du panel quand une marque à 9,0 % en est au tiers. Le chiffre ne se lit qu'à côté de la taille du panel qu'il divise, parce qu'ajouter quatre concurrents à un panel de six fait baisser tous les pourcentages de la série sans qu'une seule réponse ait changé.
Peut-on mesurer sa part de voix dans les réponses de Claude ?
Oui, par une API de mesure qui pose le prompt à Claude, ou en comptant les marques vous-même dans les réponses de l'API d'Anthropic. L'outil de recherche web documente des blocs `web_search_result` avec une URL, un titre et l'âge de la page, plus des citations qui portent jusqu'à 150 caractères du texte cité, pour 10 $ les 1 000 recherches en plus du coût des tokens. Il renvoie la réponse et ses sources, pas un comptage de marques : sur cette route, le comptage des mentions et le dénominateur concurrentiel restent votre travail.
Quelles API renvoient la part de voix par concurrent sans construire le comptage ?
Le rapport de visibilité de Profound renvoie `share_of_voice` comme la part de toutes les mentions, à côté de `visibility_score` et `average_position`, avec un maximum de 50 lignes par page, et le rapport Brands de Peec AI renvoie une ligne par marque suivie, chaque mesure accompagnée de sa formule d'agrégation, avec une taille de page jusqu'à 500 000. API for GEO, notre choix éditorial après un test en conditions réelles par Mathias C., renvoie les entités nommées dans chaque réponse avec leur position, leurs mentions, leur sentiment et leur posture, et documente que la part de voix et le taux de mention se calculent de votre côté, à 13 $ pour 1 000 réponses et jusqu'à 7 $ au plus gros palier, revente autorisée et lecture d'une tâche terminée gratuite (prix vérifiés le 23 octobre 2026).