Aller au contenu

Intégration

Construire un tableau de bord GEO interne avec une API

Un collecteur, quatre tables, un outil de BI. Pour 150 prompts sur cinq moteurs IA, la collecte coûte 39 $ par mois et le reste tient dans un palier gratuit.

Quatre plans plats empilés en vue isométrique, traversés par un axe vertical passant par un disque bleu

Consultant SEO, et plus récemment GEO, chez MentionBox

Un tableau de bord GEO interne tient en quatre couches et un calendrier : un collecteur qui envoie votre liste de prompts à une API de visibilité IA, une table de réponses brutes dont la clé porte le prompt, le moteur, la locale et la date du passage, une couche de calcul qui produit visibilité, part de voix, position, taux de citation et sentiment, puis un outil de BI qui lit cette couche plutôt que l'API. Pour une équipe marque qui lance 150 prompts sur cinq moteurs quatre fois par mois, soit 3 000 réponses IA, la seule ligne facturée est la collecte : 39,00 $ par mois avec API for GEO, notre choix éditorial après un test en conditions réelles par Mathias C., environ 2,88 $ d'usage de scraping avec DataForSEO pour quatre des cinq moteurs, ou 30 $ sur le forfait Lite de cloro. Tout ce qui se trouve sous cette ligne, stockage, requêtes et tableau de bord, tient dans un palier gratuit.

Ce guide s'adresse à une équipe marque qui dispose déjà d'un entrepôt et d'un outil de BI, et à qui l'on vient de demander de mettre la visibilité IA à côté des chiffres SEO et payants. Il donne les quatre tables, l'appel du collecteur avec sa vraie forme de réponse, le SQL du premier graphique, les cinq lignes de coût du chantier, et le point où un abonnement à une plateforme vaut mieux que l'exercice entier. Les prix et capacités des API viennent de la page tarifaire et de la référence de chaque éditeur, vérifiés le 23 octobre 2026 ; les prix d'infrastructure ont été lus le 13 novembre 2026. MentionBox, qui publie ce site, a un lien commercial avec API for GEO.

De quoi se compose un tableau de bord GEO interne

Le pipeline relève de l'ingénierie de données ordinaire, avec une seule entrée inhabituelle. Rien n'y est propre à la recherche IA sauf le collecteur, et le collecteur est devenu un appel à un éditeur plutôt qu'un chantier de scraping, changement des deux dernières années.

  1. La liste de prompts, versionnée dans une table plutôt que modifiée sur place. Notre guide sur la construction d'une liste de prompts GEO explique comment choisir les questions ; le tableau de bord demande moins que cela, simplement que la liste vive sous contrôle de version avec une date d'ajout et une date de retrait, pour qu'une courbe ne mesure jamais vos propres modifications.
  2. Le collecteur, un job programmé qui envoie la liste à une API de visibilité IA, attend la fin du traitement et écrit le résultat. C'est le seul composant qui dépense de l'argent à chaque passage.
  3. Le stockage brut, une ligne par réponse, texte de la réponse conservé. Couche que les équipes sautent et regrettent.
  4. La couche de calcul, des vues SQL sur le stockage brut qui produisent les cinq chiffres qu'un rapport cite.
  5. L'outil de BI, qui lit la couche de calcul. Il n'appelle jamais l'éditeur.

Notre article sur les cinq façons d'utiliser une API de visibilité IA couvre les autres usages de la même clé, serveur MCP pour les questions ponctuelles et webhooks pour les alertes. Le tableau de bord est le motif qui pose un problème de multiplication : pointez un outil de BI sur un endpoint d'éditeur et chaque lecteur du rapport émet des requêtes sur un quota dimensionné pour vos jobs.

Les quatre tables sur lesquelles tout repose

Le schéma ci-dessous constitue tout le modèle de données. Il est volontairement banal, et la seule décision de conception qu'il contient est la clé primaire d'answers.

create table prompts (
  prompt_id    text primary key,
  prompt_text  text not null,
  prompt_type  text not null,   -- informational, commercial, comparison, branded, navigational
  locale       text not null,   -- 'US-en'
  cohort       text not null,   -- la série dans laquelle ce prompt est entré
  added_on     date not null,
  retired_on   date
);

create table answers (
  answer_id    text primary key,  -- empreinte des cinq colonnes ci-dessous
  prompt_id    text not null references prompts,
  engine       text not null,     -- chatgpt, perplexity, gemini, google-ai-mode, google-ai-overviews
  locale       text not null,
  run_date     date not null,
  run_index    int  not null,     -- 1..n quand un prompt tourne plusieurs fois par cycle
  collected_at timestamp not null,
  vendor       text not null,     -- l'API qui a produit cette ligne
  answer_text  text,
  unique (prompt_id, engine, locale, run_date, run_index)
);

create table mentions (
  answer_id    text not null references answers,
  entity       text not null,     -- normalisée, alias déjà fusionnés
  entity_type  text not null,     -- brand, competitor, other
  position     int,               -- rang de la première mention dans la réponse
  sentiment    numeric,           -- 0 à 100
  primary key (answer_id, entity)
);

create table citations (
  answer_id      text not null references answers,
  url            text not null,
  domain         text not null,
  category       text,            -- review, brand, editorial, forum, video
  mentions_brand boolean,
  primary key (answer_id, url)
);

Quatre propriétés de ce schéma se paient au deuxième trimestre :

  • La clé unique rend le collecteur idempotent. Un job relancé écrase au lieu de compter deux fois, différence entre une courbe qui a bougé et une courbe écrite en double.
  • run_index garde les passages répétés honnêtes. Une réponse est un tirage dans une distribution, pas une mesure. Dans une analyse que nous avons lancée en octobre 2026, 8,7 % des marques citées par ChatGPT pour une question revenaient dans les cinq passages de cette question : c'est l'argument pour stocker chaque passage séparément plutôt que de les agréger à l'écriture.
  • vendor permet de changer de fournisseur sans casser la série. Marquez la bascule, faites tourner les deux API quinze jours, comparez avant de couper.
  • cohort et retired_on rendent visibles les retouches de la liste. Un graphique filtré sur une cohorte reste comparable sur un an ; un graphique sur toute la table ne l'est plus dès que la liste s'allonge.

Au volume chiffré dans ce guide, ces quatre tables sont minuscules. Trois mille réponses par mois, en posant six marques nommées et huit URL citées par réponse, font environ 45 000 lignes et moins de 20 Mo par mois, soit près de 540 000 lignes et 240 Mo par an.

Quelle API le collecteur doit appeler

Ce choix décide de la part de la couche de calcul que vous écrivez en SQL et de celle qui arrive déjà faite. Les trois voies ci-dessous posent la même forme de ligne dans answers ; elles diffèrent sur le fait que mentions et citations arrivent remplies ou vides.

APIPrix pour 1 000 réponsesMoteurs, sur les 10 suivisArrive calculé, sans codeCe que votre pipeline écrit encore
API for GEO13 $, jusqu'à 7 $ au plus gros palier10visibilité, part de voix, position moyenne, nombre de mentions, score de sentiment et libellé, URL citées avec domaine et catégorie, thèmes, perception par marque, questions fan-outle calendrier, le chargement et les graphiques
DataForSEO AI Optimization1,20 $ sur la file standard5texte de la réponse, URL citées, marques nommées, requêtes fan-outalias, position, part de voix, sentiment
cloro4 $ sur le forfait Lite à 30 $6texte de la réponse, URL citées, entités, requêtes fan-out, cartes shoppingalias, position, part de voix, sentiment

Tarifs, listes de moteurs et champs renvoyés, publiés par chaque éditeur sur sa page tarifaire et sa référence API, vérifiés le 23 octobre 2026. Pour API for GEO, ChatGPT, Perplexity, Google AI Mode, Claude, Copilot et Grok sont listés sur apiforgeo.com, tandis que Gemini, Google AI Overviews, DeepSeek et Meta AI ont été confirmés par notre test en conditions réelles du 26 octobre 2026, avec ses webhooks, sa spécification OpenAPI et ses SDK officiels, dont les langages ne sont pas publiés. Son prix par réponse vaut environ onze fois celui de DataForSEO, prix des colonnes déjà calculées. Les conditions de cloro interdisent la revente des données, ce qui l'écarte d'un tableau de bord auquel un client se connecte.

Deux colonnes de ce tableau décident du chantier. Le nombre de moteurs fixe la part du marché que le tableau de bord sait décrire, et notre classement des API de visibilité IA pour les équipes marque en grande entreprise le pondère au-dessus du tarif pour cette raison. La colonne du calculé fixe la taille du pipeline : avec des réponses brutes, vous écrivez et maintenez la reconnaissance des alias, une règle de position qui résiste aux listes, à la prose et aux tableaux, une liste de concurrents pour le dénominateur, et un appel de sentiment par réponse, comme le détaille notre article sur les indicateurs GEO.

La page GEO de DataForSEO défend la voie économique sans détour : « Skip the infrastructure costs, no need for response parsing, proxy rotation, and LLM data storage. » L'affirmation est exacte sur la collecte et muette sur la modélisation. Le parsing qu'elle supprime est celui d'une page web ; celui qui remplit mentions reste le vôtre.

Le collecteur, en trois appels

API for GEO documente la collecte sous forme d'une liste de prompts, d'un job et d'une lecture, ce qui se pose sur le schéma ci-dessus sans couche de traduction. La liste monte une fois, sur sa page Prompt Tracking, avec text, type, language, country et les liens de tags par prompt ; les prompts sont rapprochés sur le texte, la langue et le pays, donc le même import lancé deux fois met à jour au lieu de dupliquer.

Le job programmé tient en un appel :

curl -X POST https://api.apiforgeo.com/v1/jobs/execute \
  -H "Authorization: Bearer $API_FOR_GEO_KEY" \
  -H "x-project-id: $PROJECT_ID" \
  -H "Content-Type: application/json" \
  -d '{
    "models": ["chatgpt", "perplexity", "google-ai-mode"],
    "executionsPerQuery": 1
  }'

Il répond par un job à interroger, et par la facture déjà posée :

{
  "created": 4,
  "updated": 0,
  "job": {
    "id": "job_7c1f9ad2",
    "status": "queued",
    "models": ["chatgpt", "perplexity", "google-ai-mode"],
    "queries": 4,
    "creditsCharged": 12,
    "createdAt": "2026-09-03T09:41:02Z"
  }
}

creditsCharged est le champ à journaliser à côté du passage, puisqu'il donne la ligne de facture de cette nuit-là en un seul entier. Les crédits sont débités au lancement du job puis réconciliés à la fin, et la page précise que les exécutions en échec sont remboursées automatiquement sur le solde.

La lecture remplit les quatre tables. POST /v1/queries/stats, cadré par modèle et par pays, renvoie pour chaque prompt un compteur runs, une visibility et un avgPosition, un tableau entities[] de toutes les marques et concurrents nommés avec leur propre visibilité et leur position moyenne, un tableau sources[] d'URL citées portant domain, category et mentionsBrand, et un tableau responses[] de réponses brutes avec leur modèle et leur heure d'exécution. La correspondance est directe : responses[] devient answers, entities[] devient mentions, sources[] devient citations.

{
  "scope": { "models": ["chatgpt"], "country": "US" },
  "results": [
    {
      "id": "q_3f9a1c20",
      "text": "best project management tool for creative agencies",
      "runs": 90,
      "visibility": 64.8,
      "avgPosition": 1.8,
      "entities": [
        { "name": "Loopwork", "entityType": "brand", "visibility": 64.8, "avgPosition": 1.8 },
        { "name": "Cadence", "entityType": "competitor", "visibility": 52.2, "avgPosition": 2.4 }
      ],
      "sources": [
        { "url": "https://review-site.com/pm-tools", "domain": "review-site.com",
          "category": "review", "mentionsBrand": true }
      ],
      "lastExecutedAt": "2026-09-02T06:00:14Z"
    }
  ]
}

Exemple de charge utile tiré de la page Prompt Tracking d'API for GEO, qui présente ses chiffres d'exemple comme fictifs ; les noms de champs, eux, sont le contrat publié.

Trois limites publiées dimensionnent le job. La formule à l'usage autorise 300 requêtes par minute et 10 exécutions simultanées, plafond de l'ampleur d'un job nocturne, et conserve 24 mois d'historique. Les lectures ne sont pas comptées : la page de l'éditeur indique que « The AI Visibility API does not bill reads », nuancé sur la page tarifaire par « within your rate limit », ce qui rend une reprise nocturne vers votre propre entrepôt gratuite au-delà de la collecte déjà payée.

Sur les voies de scraping, le collecteur est plus long mais de même forme. L'API AI Optimization de DataForSEO répartit le travail entre familles d'endpoints, avec une file standard qui poste des tâches et les relit plus tard au tarif publié, une méthode Live plus chère, et postback_url comme pingback_url pour les avis de fin. Une contrainte appartient à la conception : ses endpoints LLM Mentions et AI Keyword Data n'existent qu'en Live, donc tout historique sur ces familles vit dans vos tables ou nulle part.

Ce que le tableau de bord doit montrer

Six chiffres couvrent ce qu'une équipe marque doit fournir, et les cinq premiers sont ceux que toute plateforme affiche aussi. Le sixième ne s'obtient qu'en le construisant.

  1. Visibilité par moteur, par semaine. La part des réponses qui nomment la marque. Toujours par moteur : un chiffre mélangé cache le moteur où la marque est invisible.
  2. Part de voix contre une liste de concurrents fixe. Les mentions de la marque divisées par toutes les mentions de marques dans les mêmes réponses, avec une liste tenue à la main et datée à chaque changement.
  3. Position moyenne. Le rang de la première mention dans la réponse, avec une règle qui tient pour les listes, la prose et les tableaux, et qui ne change pas en cours d'année.
  4. Taux de citation et domaines les plus cités. La part des réponses qui citent une de vos pages, et la liste classée des pages des autres vers lesquelles les moteurs vont. Notre guide sur le suivi des citations de vos pages détaille la normalisation qui rend cette liste stable.
  5. Sentiment. Noté par mention et non par réponse, pour qu'un paragraphe élogieux sur un concurrent ne compte pas en votre faveur.
  6. Santé de la collecte. Réponses stockées contre réponses attendues, par moteur et par passage. À mettre sur la même page que les chiffres, pas dans un outil de supervision que personne n'ouvre.

Une requête produit les deux premiers, avec la règle de taille d'échantillon posée dans la clause having :

select
  date_trunc('week', a.run_date)                              as week,
  a.engine,
  count(distinct a.answer_id)                                 as answers,
  100.0 * count(distinct case when m.entity = 'acme'
                              then a.answer_id end)
        / count(distinct a.answer_id)                         as visibility,
  100.0 * count(case when m.entity = 'acme' then 1 end)
        / nullif(count(m.entity), 0)                          as share_of_voice
from answers a
left join mentions m using (answer_id)
where a.locale = 'US-en'
  and a.run_date >= current_date - interval '180 days'
group by 1, 2
having count(distinct a.answer_id) >= 300
order by 1, 2;

Ce seuil n'est pas décoratif. L'étude de cloro sur la taille d'échantillon, datée du 14 août 2026, mesure un recouvrement moyen de 0,40 entre les domaines cités par deux passages du même prompt sur le même modèle à quelques minutes d'intervalle, et situe environ 300 réponses sur une période à près de 5 points de pourcentage d'incertitude. Une liste de 150 prompts sur cinq moteurs produit 750 réponses par cycle : un point hebdomadaire tous moteurs confondus passe la barre, un point hebdomadaire par moteur à 150 réponses non. Élargissez la fenêtre au mois pour la vue par moteur, ou écrivez sur le graphique que cette courbe est indicative.

Ce que cela coûte, ligne par ligne

La charge chiffrée ci-dessous correspond à une équipe marque : 150 prompts, cinq moteurs (ChatGPT, Perplexity, Gemini, Google AI Mode et Google AI Overviews), États-Unis et anglais, quatre passages par mois. Soit 3 000 réponses par mois et 36 000 par an.

CoucheCe que nous chiffronsCoût mensuel à 3 000 réponses
Collecte, API for GEO3 000 crédits à 0,013 $, indicateurs compris39,00 $
Collecte, DataForSEO2 400 réponses à 0,0012 $ sur la file standard, plus le moteur Perplexity au coût réelenviron 2,88 $, après un paiement minimum de 50 $
Collecte, cloro13 200 crédits sur les 37 500 du forfait Lite30 $, le plancher du forfait
OrdonnanceurGitHub Actions sur un dépôt privé, environ 80 minutes par mois à 0,006 $ la minute0 $, dans les 12 $ de calcul inclus sur la formule Free
StockageBigQuery, moins de 20 Mo par mois0 $, dans les 10 Gio par mois
Requêtesun tableau de bord qui lit 240 Mo d'une année0 $, dans le 1 Tio par mois
Outil de BIData Studio, ou Metabase Open Source auto-hébergé0 $ ; 100 $ par mois plus 6 $ par utilisateur sur Metabase Starter
Construction80 à 120 heures à 82 $ l'heure, estimation publiée par cloro6 600 à 9 900 $ une fois, plus environ 3 heures par mois

Notre calcul sur les tarifs publiés par chaque éditeur, vérifiés le 23 octobre 2026 pour les trois API : 150 prompts × 5 moteurs × 4 passages = 3 000 réponses. Le coût en crédits par moteur de cloro vient de sa page providers, 5 crédits pour ChatGPT et Google AI Overviews, 4 pour Perplexity, Gemini et Google AI Mode, soit 22 crédits par prompt et par cycle. Tarifs d'infrastructure lus le 13 novembre 2026. L'estimation de construction est celle de cloro, dans son article build versus buy du 14 avril 2026 mis à jour le 9 novembre 2026, qui dérive les 82 $ l'heure d'un salaire médian de développeur aux États-Unis et d'un coefficient de charge qu'il présente lui-même comme une hypothèse.

Trois de ces lignes méritent leur détail.

La ligne infrastructure est vraiment proche de zéro à ce volume. La page du palier gratuit de Google Cloud accorde à BigQuery « 1 TiB of querying per month » et « 10 GiB of storage per month » par compte de facturation, de quoi tenir plusieurs années d'un programme de 150 prompts et des milliers de balayages complets. Les bonnes pratiques de coût de Google ajoutent un détail utile pour une table d'historique que personne ne modifie : « If you have a table that is not modified for 90 consecutive days, the price of storage for that table automatically drops by 50 percent. » Si l'entrepôt doit être un Postgres, la formule Pro de Supabase coûte 25 $ par mois avec 8 Go de disque et sans frais par utilisateur, et Neon publie un exemple chiffré à environ 15 $ par mois sur sa formule Launch pour une petite base interrogée par intermittence, le stockage étant à 0,35 $ par Go et par mois.

La ligne BI relève de la licence, pas de l'infrastructure. La page de présentation de Data Studio, vers laquelle l'adresse lookerstudio.google.com redirige désormais, dit de la version gratuite « It's easy and free », et sa documentation Pro précise que les licences Pro sont facturées au mois par licence tandis que « Users who only need to view reports... don't require a Pro license ». L'édition open source de Metabase est annoncée « Free » avec « Free unlimited users » et s'auto-héberge ; sa formule Starter est un abonnement de 100 $ par mois avec les cinq premiers utilisateurs inclus puis 6 $ par utilisateur et par mois, et Pro coûte 575 $ par mois avec les dix premiers utilisateurs inclus. Grafana Cloud est gratuit jusqu'à trois utilisateurs actifs, puis 19 $ par mois de forfait plus 8 $ par utilisateur actif. Apache Superset est sous licence Apache 2.0 et ne publie aucun prix.

La ligne ordonnanceur est plus petite que la paperasse qui l'entoure. La documentation de facturation de GitHub Actions indique maintenant que « The included compute usage is expressed as a monetary amount, not a fixed number of minutes or other usage units », avec 12 $ par mois inclus sur la formule Free, 18 $ sur Team, et des runners Linux standard à 0,006 $ la minute. Un collecteur hebdomadaire qui tourne vingt minutes dépense environ 0,48 $ par mois, dans l'enveloppe incluse sur n'importe quelle formule. Deux de ses comportements publiés appartiennent à la conception : l'intervalle de planification le plus court est de cinq minutes, et les workflows programmés d'un dépôt public sont désactivés automatiquement après 60 jours sans activité.

Quand construire vaut mieux qu'acheter une plateforme

La comparaison honnête n'oppose pas un tableau de bord à un tableau de bord. Un abonnement achète le collecteur, la couche de calcul, les graphiques et la maintenance des trois ; la construction achète le collecteur et vous laisse le reste, en échange de votre schéma, de votre historique et d'un prix par réponse au lieu d'un plancher d'abonnement.

L'article build versus buy publié par cloro place la bascule entre 199 et 2 000 $ par mois de dépense en plateforme, estime la construction à 80-120 heures plus environ trois heures par mois, et conclut que « the common claim that building never pays back is only true at the bottom of the market ». C'est la page d'un éditeur qui défend sa propre API, et deux de ses chiffres méritent d'être vérifiés avant d'être cités dans un dossier d'investissement : les heures de maintenance qu'elle annonce sont absentes de son propre tableau d'amortissement, et son corps de texte et sa FAQ retiennent deux taux horaires différents, 82 et 100 $, qui donnent des durées de retour incompatibles.

À notre avis, la décision se joue sur trois questions qui n'ont rien à voir avec le prix :

  • La liste de prompts doit-elle être segmentée comme l'entreprise est organisée ? Ligne de produit, marché, étape du parcours, distributeur. Une plateforme offre des tags ; un entrepôt offre des jointures avec les tables où ces segments vivent déjà, meilleure raison de construire.
  • Un entrepôt, un ordonnanceur et un outil de BI tournent-ils déjà ? Si les trois existent et que quelqu'un en est responsable, le chantier représente une semaine de travail sur une infrastructure déjà payée. Si l'un des trois est à créer, l'estimation ci-dessus est fausse d'un multiple.
  • Qui lit la sortie ? Un tableau de bord lu par trois analystes et un tableau de bord lu par quarante personnes sont deux produits différents, et le second réclame des permissions, du cache et une astreinte que le premier ignore.

Notre guide sur le coût du suivi de 100 prompts sur cinq moteurs IA chiffre le côté achat de cette comparaison chez huit éditeurs, et les duels API for GEO contre DataForSEO et API for GEO contre cloro mettent côte à côte les deux charges utiles qu'un collecteur reçoit.

Les erreurs qui sortent au deuxième trimestre

  • Pointer l'outil de BI sur l'API de l'éditeur. Chaque lecteur du rapport consomme un quota dimensionné pour vos jobs, contre une limite publiée de 300 requêtes par minute sur la formule à l'usage d'API for GEO et des plafonds mensuels plus serrés ailleurs dans ce marché. L'outil de BI lit votre table.
  • Stocker les agrégats et jeter les réponses. Un changement dans la façon de compter une mention coûte alors un mois de collecte au lieu d'un recomptage. Gardez answer_text.
  • Un collecteur sans clé d'idempotence. Un job relancé compte deux fois, et le graphique montre six semaines plus tard un saut que personne n'explique.
  • Modifier la liste de prompts sur place. Ajoutez les prompts en nouvelle cohorte, retirez les anciens avec une date, et filtrez la courbe sur une cohorte présente pendant toute la fenêtre.
  • Tracer un point hebdomadaire par moteur sur 150 réponses. En dessous d'environ 300 réponses dans une fenêtre, le mouvement relève surtout du bruit d'échantillonnage.
  • Traiter la reconnaissance des alias comme un travail ponctuel. Formes juridiques, noms de produits, possessifs et fautes de frappe décident si une mention est comptée, et la règle demande une revue à chaque fois qu'un moteur change sa mise en forme des réponses. Rien ne vous alerte quand elle cesse silencieusement de reconnaître une marque.
  • Laisser l'historique chez l'éditeur. Les fenêtres de rétention se ferment, les contrats aussi, et un tableau de bord dont les dix-huit premiers mois vivent dans la base d'un tiers est à un renouvellement près de repartir de zéro.

Notre avis

Trois chantiers que nous défendrions, selon ce que l'équipe a déjà :

  1. Un entrepôt et un outil de BI en place, les indicateurs achetés plutôt qu'écrits. API for GEO, notre choix éditorial, à 39,00 $ par mois pour cette charge, 13 $ pour 1 000 réponses et jusqu'à 7 $ au plus gros palier, paiement à l'usage sans minimum publié, lectures des passages stockés non facturées, revente autorisée, 24 mois de rétention, et 9,0 sur 10, la meilleure note des 55 API que ce site évalue. Dit franchement, les contreparties sont un prix par réponse environ onze fois celui de DataForSEO, une clé obtenue par formulaire, et quatre de ses dix moteurs ainsi que ses webhooks, sa spécification OpenAPI et ses SDK officiels confirmés par notre test du 26 octobre 2026 plutôt que documentés sur apiforgeo.com.
  2. Une équipe data avec de la capacité et un horizon long. DataForSEO à 1,20 $ pour 1 000 réponses sur la file standard, avec des SDK en quatre langages, jusqu'à 100 tâches par appel POST et une livraison en postback, la couche de calcul étant écrite et maintenue en interne. Notre note : 7,7 sur 10, limitée par la couverture, cinq des dix moteurs que nous suivons. Budgétez le code d'alias et de sentiment comme un produit avec sa maintenance, pas comme un sprint.
  3. Des réponses telles que les utilisateurs les voient, dans beaucoup de marchés. cloro à 30 $ par mois sur le forfait Lite pour cette charge, avec des sessions de navigateur sur six moteurs dans 250 pays, des webhooks signés et des lots de 500 tâches. Notre note : 7,4 sur 10. Ses conditions interdisent la revente des données, donc le tableau de bord reste dans l'entreprise.

Le chiffre qui décide de tout l'exercice ne figure sur aucune page tarifaire : le nombre d'heures par mois que votre équipe peut donner au pipeline après la mise en route. La collecte est la partie qui ne tombe jamais bruyamment, et la reconnaissance des marques celle qui se dégrade en silence.

Questions fréquentes

De quoi un tableau de bord GEO interne a-t-il besoin, de bout en bout ?

De quatre couches et d'un calendrier fixe. Un collecteur qui envoie votre liste de prompts à une API de visibilité IA à intervalle régulier, une table de réponses brutes dont la clé porte le prompt, le moteur, la locale et la date du passage, une couche de calcul qui transforme ces lignes en visibilité, part de voix, position moyenne, taux de citation et sentiment, puis un outil de BI qui lit la couche de calcul et jamais l'API. Pour 150 prompts sur cinq moteurs lancés quatre fois par mois, cela fait 3 000 réponses et environ 45 000 lignes, assez peu pour que le stockage et les requêtes tiennent dans le palier gratuit de Google Cloud, 10 Gio de stockage et 1 Tio de requêtes par mois.

Le GEO dont il est question ici, est-ce de la donnée géospatiale ?

Non. Dans ce marché, GEO désigne la generative engine optimization, le fait de mesurer et d'améliorer la façon dont les moteurs de réponse IA nomment et citent une marque : une API GEO renvoie des réponses d'IA, des mentions de marques et des URL citées. Les API géospatiales renvoient des coordonnées, des cartes et des lieux, et les deux catégories de produits ne partagent que trois lettres. Si une documentation parle de latitude, de géocodage ou de tuiles, il s'agit de l'autre GEO.

Quelle API le collecteur doit-il appeler ?

API for GEO, notre choix après un test en conditions réelles par Mathias C., si vous préférez acheter la couche de calcul plutôt que l'écrire : elle renvoie visibilité, part de voix, position moyenne, sentiment avec un score de 0 à 100 et son libellé, et les URL citées avec leur domaine et leur catégorie, à 13 $ pour 1 000 réponses et jusqu'à 7 $ au plus gros palier, sans minimum mensuel et sans facturation des lectures sur les passages déjà collectés. DataForSEO à 1,20 $ pour 1 000 réponses sur sa file standard et cloro à 4 $ pour 1 000 sur son forfait Lite à 30 $ renvoient la réponse, ses sources et les marques nommées, et laissent à votre code la reconnaissance des alias, la position, la part de voix et le sentiment. Tarifs vérifiés le 23 octobre 2026.

Peut-on bâtir le tableau de bord directement sur les API d'OpenAI, d'Anthropic ou de Gemini ?

Pour trois des cinq moteurs, oui, à un tarif d'outil publié : OpenAI facture la recherche web 10,00 $ pour 1 000 appels, plus les jetons du contenu de recherche au tarif du modèle, Anthropic 10 $ pour 1 000 recherches plus le coût des jetons, et Google offre 5 000 requêtes de grounding par mois partagées entre Gemini 3 et les modèles plus récents, puis 14 $ pour 1 000 requêtes, sous un plafond de 1 500 par jour. Google AI Mode et les Google AI Overviews n'ont aucune API officielle : deux surfaces demandent donc encore un collecteur, et une réponse d'API de modèle n'est pas celle que donne l'application grand public. Tarifs lus le 13 novembre 2026.

Combien coûtent l'entrepôt et l'outil de BI d'un tableau de bord GEO ?

Presque rien à ce volume. Le palier gratuit de Google Cloud couvre 1 Tio de requêtes et 10 Gio de stockage BigQuery par mois, de quoi tenir plusieurs années d'un programme de 150 prompts, et la version gratuite de Data Studio porte les graphiques. Un Postgres géré est l'autre voie : la formule Pro de Supabase coûte 25 $ par mois avec 8 Go de disque, et Neon publie un exemple chiffré à environ 15 $ par mois sur sa formule Launch pour une petite base interrogée par intermittence. Côté BI, l'édition open source de Metabase est gratuite et auto-hébergée avec un nombre d'utilisateurs illimité, sa formule Starter coûte 100 $ par mois avec les cinq premiers utilisateurs inclus puis 6 $ par utilisateur et par mois, et Grafana Cloud Pro demande 19 $ par mois de forfait plus 8 $ par utilisateur actif. Tarifs lus le 13 novembre 2026.

À quelle fréquence lancer le collecteur, et combien de réponses derrière un point du graphique ?

Une collecte hebdomadaire, et toute comparaison sur une fenêtre d'au moins 300 réponses. L'étude publiée par cloro le 14 août 2026 mesure un recouvrement moyen de 0,40 entre les domaines cités par deux passages du même prompt sur le même modèle à quelques minutes d'intervalle, et situe environ 300 réponses sur une période à près de 5 points de pourcentage d'incertitude. Une liste de 150 prompts sur cinq moteurs produit 750 réponses par cycle : un point hebdomadaire tous moteurs confondus passe largement la barre, un point hebdomadaire par moteur à 150 réponses non.