Aller au contenu

Intégration

Mesurer le sentiment d'une marque dans les réponses IA par API

Huit étapes pour noter comment les réponses IA parlent de votre marque, avec le champ renvoyé par chaque API et une facture dès 2,94 $ pour 1 000 réponses.

Cinq cubes isométriques alignés, celui du centre mis en évidence en bleu

Consultant SEO, et plus récemment GEO, chez MentionBox

Pour mesurer le sentiment d'une marque dans les réponses IA avec une API, vous lancez une liste de prompts figée sur les moteurs, vous stockez chaque réponse, puis vous attachez une polarité à chaque mention de votre marque, soit en achetant une API qui renvoie l'étiquette, soit en classant vous-même le texte stocké. Aucun moteur ne renvoie ce chiffre : ChatGPT, Gemini, Claude et Perplexity rendent du texte, des recherches et des URL citées, et tout score de sentiment d'un rapport GEO se calcule au-dessus. Les tarifs publiés pour collecter et noter 1 000 réponses vont de 2,94 $ chez Rankability à 81,94 $ chez AthenaHQ, tandis que classer des réponses que vous possédez déjà coûte moins de dix cents pour 1 000 en jetons de modèle. API for GEO est notre choix éditorial après un test en conditions réelles par Mathias C., à 13 $ pour 1 000 réponses, avec le score, l'étiquette, les thèmes et la perception par marque dans la même réponse.

Ce guide s'adresse à une équipe marque qui a déjà un chiffre de visibilité et doit maintenant dire comment les moteurs parlent d'elle, et au développeur qui écrira le travail. Les étapes 1 et 2 fixent ce que vous mesurez et à quelle maille, les étapes 3 et 4 choisissent l'API et montrent les requêtes qui renvoient le champ, les étapes 5 à 8 traitent le classement maison, l'arithmétique d'agrégation, la taille d'échantillon et la facture. MentionBox, qui édite ce site, a un lien commercial avec API for GEO.

Ce que renvoie une API de sentiment de marque

Trois couches reviennent, et l'éditeur choisi décide du nombre que vous pourrez voir :

  • Le texte de la réponse. La phrase qui décrit votre marque est la preuve. Sans elle, une étiquette est une affirmation que personne dans la salle ne peut vérifier.
  • L'étiquette ou le score. Positif, neutre, négatif, mitigé, ou un nombre sur une échelle publiée. C'est la couche qui diffère le plus d'un éditeur à l'autre, par sa forme autant que par sa valeur.
  • La raison. Un aspect, un thème ou une affirmation qui dit sur quoi portait le ton : le prix, le support, la fiabilité. C'est la couche qui transforme un graphique en travail.

Le sentiment est la moins bien définie des mesures GEO, et notre explication des mesures GEO traite les dénominateurs qui diffèrent du côté de la part de voix. Une part est une division vérifiable. Une étiquette de sentiment est un jugement sur une phrase, et les jugements varient d'un éditeur à l'autre, d'un modèle à l'autre, et entre deux humains qui lisent la même ligne.

Une distinction évite un trimestre de confusion. L'écoute des réseaux mesure ce que des gens ont écrit sur vous sur des plateformes que l'on peut collecter. Une API de sentiment de marque mesure ce qu'un modèle a écrit sur vous quand on lui a posé une question d'achat, dans un texte qui n'a jamais été publié et que personne d'autre ne peut retrouver. Les deux chiffres répondent à deux questions et ne tomberont pas d'accord.

1. Écrivez des prompts capables de porter un sentiment

Une liste de prompts construite pour la visibilité mesure l'apparition. Le sentiment demande des prompts qui obligent le moteur à prendre position.

Quatre familles méritent leur place dans la liste :

  • Les prompts de recommandation. « Meilleur logiciel de comptabilité pour une agence de cinq personnes », « quel CRM pour une start-up B2B ». Les marques y sont nommées et classées, et les raisons viennent avec.
  • Les prompts de marque directe. « Est-ce que [votre marque] vaut son prix », « quels sont les défauts de [votre marque] ». Ce sont eux qui produisent le plus d'étiquettes négatives de toute la liste, et c'est le but.
  • Les prompts de comparaison. « [Votre marque] contre [concurrent] », « alternatives à [votre marque] ». Le cadrage obtenu ici est celui qu'un acheteur lit au moment de la liste courte.
  • Les prompts d'évitement. « Quels outils éviter dans cette catégorie », « pourquoi des équipes quittent [concurrent] ». Les affirmations défavorables y apparaissent d'abord, souvent des mois avant d'arriver dans une réponse de recommandation.

Étiquetez chaque prompt en marque ou hors marque avant le premier passage. La distinction est intégrée aux API : l'endpoint de sentiment de Conductor porte un champ prompt_type dont les valeurs sont branded et unbranded, et Promptwatch type chaque prompt en ORGANIC, BRAND_SPECIFIC ou COMPETITOR_COMPARISON. Une moyenne de sentiment qui mélange les deux fait deux populations dans une seule ligne : les prompts de marque notent presque toujours plus chaud, parce que le moteur répond à une question sur vous au lieu de choisir entre vous et quatre autres.

2. Choisissez l'unité que vous notez

Cinq unités sont en production dans les API que nous suivons, et elles ne sont pas interchangeables. L'unité décide de ce que vous pouvez rapporter et de ce que vous pouvez corriger.

Unité notéeCe qu'est un enregistrementExemple publié
La réponseune polarité pour toute la réponseScrunch, brand_sentiment : positive, mixed, negative, none
La mentionune polarité par apparition du nomAhrefs Brand Radar, brand_sentiment[] : marque, sentiment, aspect, extrait
L'affirmationune polarité par affirmation sur la marqueProfound, sentiment_claims : asset, theme, claim, sentiment
L'attributune polarité par propriété louée ou critiquéeAthenaHQ, observations d'attributs avec un score de -1 à 1
La marque, sur une périodeun agrégat par marque et par périodeOtterlyAI, sentiment : positive, neutral, negative, nss

Noms de champs et valeurs autorisées lus dans la documentation d'API de chaque éditeur le 6 novembre 2026, prix et formules des mêmes éditeurs vérifiés le 23 octobre 2026.

La règle pratique : on agrège toujours vers le haut, jamais vers le bas. Des enregistrements par mention ou par affirmation permettent de calculer une polarité par réponse, une répartition par aspect et un agrégat par marque sur le même jeu de données. Un agrégat par marque ne se redécoupe pas, et le mois où un client demande si la négativité porte sur le prix ou sur la prise en main, la réponse exige une nouvelle collecte.

La maille décide aussi à qui revient un mauvais chiffre. Les neuf valeurs de sentiment_category de Conductor, misc, quality, price, service, user-friendliness, experience, popularity, health et ethics, correspondent presque une à une à des responsables internes. Les onze valeurs d'aspect d'Ahrefs font le même travail : features_specs, performance_effectiveness, price_value, reputation_popularity, quality_reliability, design_comfort, usability_compatibility, availability_delivery, safety_health, service_support et general.

3. Choisissez une API qui publie son champ de sentiment

Vingt des 55 API que nous notons renvoient un sentiment sur les mentions de marque. Les douze ci-dessous publient assez de détails sur le champ pour qu'on puisse l'intégrer, et la première ligne est celle sur laquelle nous construirions. Notre classement des API de mesures GEO note tout le groupe, et le classement pour les équipes marque en grande entreprise repondère les mêmes critères comme une équipe marque les paie.

APIMoteurs, sur les 10 suivisForme du sentiment renvoyéPrix pour 1 000 réponsesTicket d'entrée qui porte la cléRevente
API for GEO10objet sentiment : score de 0 à 100 et son étiquette, par marque, plus thèmes regroupés et perception par marque13 $, jusqu'à 7 $ au volumeà l'usage, sans minimum publiéautorisée
LLM Pulse10sentiment par réponse et par prompt, avec un webhook de sentiment négatif30,67 €299 € par mois, Scaleautorisée
Promptwatch8par réponse et par marque : sentiment POSITIVE, NEGATIVE, NEUTRAL, plus sentimentScore et toneOfVoice15,83 $95 $ par mois, Essentialautorisée
Rankability10sentiment de marque sur chaque ligne IA, avec un mention_status par marque2,94 $97 $ par mois, Starternon autorisée
AthenaHQ10observations d'attributs : éloge ou critique avec un score de -1 à 181,94 $, plus un module API au prix sur demande295 $ par mois, Starterautorisée
Scrunch9par réponse : positive, mixed, negative, none ; brand_sentiment_score de 0 à 100 sur la Query APInon calculable500 $ par mois, Agency Corenon communiquée
OtterlyAI7par marque et par période : comptes positive, neutral, negative et un nss15,75 $189 $ par mois, Standardnon communiquée
Peec AI9une mesure de 0 à 100 dont la formule d'agrégation est publiéenon publiéPro et au-delà, prix sur demandenon autorisée
Profound9pourcentages positive_sentiment et negative_sentiment, groupés par thème ou par affirmationnon publiéformule Enterprise sur devisnon autorisée
Ahrefs Brand Radar8par mention : marque, étiquette parmi quatre, aspect parmi onze, et la phrase20 $129 $ par mois, Lite, plus des paquets de checksnon autorisée
SE Visible4positif, neutre ou négatif par résultat de prompt3,30 $99 $ par mois, Basicnon autorisée
Conductor8une ligne par mention notée : valeur, score, catégorie, extrait et URL sourcenon publiéabonnement Conductor Intelligencenon communiquée

Prix, nombres de moteurs et planchers de formule lus sur la page tarifaire et la référence d'API de chaque éditeur, vérifiés le 23 octobre 2026. Les tarifs pour 1 000 réponses sont notre arithmétique sur le quota publié de la formule la moins chère qui porte une clé d'API. Pour API for GEO, quatre des dix moteurs, Gemini, Google AI Overviews, DeepSeek et Meta AI, ainsi que les webhooks, la spécification OpenAPI et les SDK officiels, ont été confirmés lors de notre test en conditions réelles du 26 octobre 2026 et ne sont pas encore documentés sur apiforgeo.com.

API for GEO facture un crédit par prompt, par modèle et par passage, de 0,013 $ à 0,007 $ le crédit sans minimum mensuel, et sa page AI Visibility API documente le champ comme un objet portant un « Score from 0 to 100 and its derived label ». Le même crédit paie aussi la couche du dessus : son accueil décrit l'étape de notation comme « sentiment 0 to 100, theme clusters and per-brand perception inside each theme », et liste une Sentiment API dédiée à POST /v1/sentiment/overview qui renvoie « Brand sentiment score, label and distribution, over time and compared across tracked competitors ». Elle couvre les dix moteurs que nous suivons : ChatGPT, Perplexity, Google AI Mode, Claude, Copilot et Grok sont listés sur ses propres pages, tandis que Gemini, Google AI Overviews, DeepSeek et Meta AI ont été confirmés lors de notre test en conditions réelles du 26 octobre 2026. Les lectures des passages déjà stockés ne sont pas facturées, ses conditions présentent la revente comme un usage prévu, et elle obtient 9,0 sur 10, la meilleure note des 55 API que ce site évalue.

Les contreparties, dites franchement, sont au nombre de trois. Le prix par réponse vaut environ quatre fois celui de Rankability et dix fois la voie de scraping la moins chère. La clé arrive par un formulaire plutôt qu'à l'inscription. Et les quatre moteurs ci-dessus, avec les webhooks, la spécification OpenAPI et les SDK officiels, sont un manque de documentation que notre test a comblé, pas une capacité publiée par apiforgeo.com. Pour l'essayer, demandez une clé sur apiforgeo.com : elle arrive avec un projet bac à sable.

Les forces des concurrents sont publiées, et sur le sentiment en particulier, elles sont réelles :

  • Ahrefs Brand Radar est la seule à rendre la phrase derrière chaque étiquette, à côté d'un aspect, ce qui rend sa sortie vérifiable sans seconde requête.
  • Conductor renvoie l'URL et le domaine de la source sur la ligne de sentiment, de sorte qu'une affirmation négative se remonte jusqu'à la page qui l'a produite.
  • Profound groupe le sentiment par thème et par affirmation, et son mode citation renvoie une ligne par page citée, ce qui répond à la question de l'article tiers qui porte le cadrage.
  • Peec AI publie son arithmétique, ce que presque personne ne fait, et prévient dans sa propre documentation qu'un filtre par marque avant agrégation écrase une mesure de part.
  • Scrunch publie sa règle de notation et sa règle d'exclusion, et dit franchement que la plupart des réponses en bande négative traduisent la recommandation d'un concurrent plutôt qu'une critique explicite.
  • LLM Pulse transforme le sentiment en alerte grâce à un webhook de sentiment négatif, sur dix-huit moteurs, avec des SDK dans douze langages.
  • Rankability est la couche calculée la moins chère que nous ayons trouvée à couvrir les dix moteurs, à 2,94 $ pour 1 000 sur une formule à 97 $.

4. Les requêtes qui renvoient le champ

Quatre formes couvrent le marché. Les lire côte à côte est le moyen le plus rapide de voir combien de code chacune vous laisse.

API for GEO renvoie le score dans la ligne par entité : un appel donne la marque, ses concurrents et le sentiment dans la même charge utile. Sa page AI Visibility API documente un POST /v1/visibility/entities qui prend un prompt, une liste de modèles, un pays et un bucketSize :

{
  "results": [
    {
      "name": "Loopwork",
      "entityType": "brand",
      "visibility": 68.4,
      "shareOfVoice": 24.1,
      "mentions": 137,
      "sentiment": { "score": 76, "label": "positive" }
    },
    {
      "name": "Atlaskit",
      "entityType": "competitor",
      "visibility": 41.2,
      "shareOfVoice": 15.8,
      "mentions": 72,
      "sentiment": { "score": 61, "label": "neutral" }
    }
  ]
}

Profound demande la mesure explicitement et permet de la grouper. Son endpoint de sentiment est un POST /v2/reports/sentiment où asset est obligatoire « because sentiment is calculated for one brand at a time », et où les lignes reviennent en deux pourcentages plutôt qu'en étiquette :

curl -X POST https://api.tryprofound.com/v2/reports/sentiment \
  -H "X-API-Key: $PROFOUND_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "category_id": "00000000-0000-0000-0000-000000000000",
    "asset": "Loopwork",
    "start_date": "2026-10-01",
    "end_date": "2026-10-31",
    "group_by": ["theme", "claim"],
    "metrics": ["positive_sentiment", "negative_sentiment", "occurrence"],
    "limit": 50
  }'

Une ligne répond avec positive_sentiment et negative_sentiment en pourcentages l'un de l'autre, un compte occurrence si vous le demandez, et le thème et l'affirmation qui les ont produits. Passer source à citation transforme le même endpoint en une ligne par page citée, avec un citation_share, au prix du refus de tout group_by. Le duel API for GEO contre Profound met les deux charges utiles côte à côte.

Conductor est celle à copier pour obtenir des lignes à charger directement dans un entrepôt. Son endpoint ai_search_sentiments est un POST asynchrone, renvoie 29 colonnes positionnelles avec leur schéma, et précise que « each row represents a single sentiment mention for a brand or product within an AI response, including optional snippet and its source » :

curl -X POST https://api.conductor.com/data-api/v1/async/ai_search_sentiments \
  -H "Authorization: Bearer cond_$CONDUCTOR_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "account_id": 123,
    "start_date": "2026-10-04",
    "end_date": "2026-10-31",
    "collection_frequency": "WEEKLY",
    "sentiment_values": ["negative"],
    "sentiment_categories": ["price", "service"]
  }'

Deux détails de cet appel coincent au premier essai. Une fenêtre hebdomadaire doit commencer un dimanche et finir un samedi, une fenêtre mensuelle au premier et au dernier jour du mois. Et la requête se soumet, s'interroge et se pagine sur le même chemin, avec un executionId valable sept jours et la pagination parallèle refusée.

Ahrefs place le sentiment dans la liste des réponses plutôt que dans un endpoint de mesure. Son endpoint Get AI responses est un GET sur /v3/brand-radar/ai-responses avec un select et un data_source obligatoires, et une date à la fois plutôt qu'une plage :

curl -G https://api.ahrefs.com/v3/brand-radar/ai-responses \
  -H "Authorization: Bearer $AHREFS_API_KEY" \
  --data-urlencode "select=question,brand_sentiment,links,data_source" \
  --data-urlencode "data_source=chatgpt,perplexity" \
  --data-urlencode "date=2026-10-31" \
  --data-urlencode "country=us" \
  --data-urlencode "limit=1000"

Sa propre note de coût mérite une lecture avant d'élargir le select : les requêtes qui ne renvoient que des données de custom prompts sont gratuites, celles qui incluent les données de prompts d'Ahrefs suivent la tarification standard en unités, et trois champs portent une étiquette de 10 unités chacun, response, links et volume.

5. Classez les réponses vous-même, et ce que cela coûte

Si vous collectez déjà les réponses par une API de scraping, la couche de sentiment est une seconde passe sur un texte qui vous appartient. L'arithmétique est tentante : aux tarifs publiés par OpenAI, 0,05 $ par million de jetons d'entrée et 0,40 $ par million de jetons de sortie pour gpt-5-nano, classer une réponse d'environ 1 000 jetons avec une consigne de 300 jetons et une sortie de 60 jetons coûte environ 0,00009 $, soit environ 0,09 $ pour 1 000 réponses. Le tableau batch divise les deux tarifs par deux, ce qui descend à près de 0,05 $.

Voie pour la passe de notationTarif publiéCoût pour noter 1 000 réponses stockées
gpt-5-nano, synchrone0,05 $ en entrée, 0,40 $ en sortie par million de jetonsenviron 0,09 $
gpt-5-nano, batch0,025 $ en entrée, 0,20 $ en sortie par million de jetonsenviron 0,05 $
gpt-4o-mini, synchrone0,15 $ en entrée, 0,60 $ en sortie par million de jetonsenviron 0,23 $
Claude Haiku 5.5, prompts jusqu'à 100 000 jetons0,10 $ en entrée, 0,50 $ en sortie par million de jetonsenviron 0,16 $
Claude Haiku 5.5, Batch API0,05 $ en entrée, 0,25 $ en sortie par million de jetonsenviron 0,08 $

Notre arithmétique sur les tarifs publiés par OpenAI et Anthropic, lus le 6 novembre 2026, sous une hypothèse énoncée : 1 300 jetons d'entrée et 60 jetons de sortie par réponse. Anthropic précise que ses modèles à partir de Claude 4.7 utilisent un tokeniseur qui produit « approximately 30% more tokens for the same text » : prévoyez les lignes Haiku en conséquence.

La consigne de notation décide si cette économie est réelle. Quatre choix séparent une étiquette défendable d'un chiffre qui bouge dès que quelqu'un retouche le prompt :

  1. Figez les classes, et écrivez les cas limites. Trois classes plus une étiquette mitigé à part est la forme que livrent la plupart des éditeurs, et c'est aussi celle qui fait le plus débat. Décidez par écrit où tombe « moins cher que ses concurrents », et si une marque citée sans commentaire est neutre ou absente.
  2. Notez l'extrait, pas la réponse entière. Passez la phrase ou le paragraphe autour de la mention, avec la réponse complète disponible en contexte, et stockez l'extrait avec l'étiquette. Ahrefs livre un champ snippet et Conductor un sentiment_snippet pour la même raison.
  3. Imposez la forme de sortie. Un schéma JSON avec une énumération supprime toute une famille d'erreurs d'analyse et rend les relances comparables.
  4. Gardez un échantillon humain. Cinquante mentions étiquetées à la main par trimestre, comparées au classifieur, sont le seul moyen de savoir si la courbe mesure la catégorie ou vos propres retouches de prompt.

Un contrat de sortie minimal ressemble à ceci :

{
  "type": "object",
  "additionalProperties": false,
  "required": ["brand", "polarity", "aspect", "span"],
  "properties": {
    "brand": { "type": "string" },
    "polarity": { "enum": ["positive", "neutral", "negative", "mixed"] },
    "aspect": { "enum": ["price", "quality", "support", "features", "availability", "reputation", "other"] },
    "span": { "type": "string" }
  }
}

Les listes de mots-clés sont la voie la moins chère, et celle à éviter comme réponse finale. « Pas fiable » et « fiable » partagent un mot-clé, et une comparaison publiée place les outils lexicaux en bas du tableau : face au vote majoritaire d'humains sur 100 tweets, une étude publiée sur arXiv le 7 octobre 2026 mesure un kappa de Cohen de 0,37 pour TextBlob et 0,40 pour VADER sur trois classes, contre 0,73 pour un modèle transformeur affiné sur des tweets et de 0,48 à 0,63 pour les trois LLM ouverts testés.

Cette même étude fixe les attentes pour tout l'exercice, et c'est le chiffre absent de toutes les pages que nous avons lues sur le sujet. Six annotateurs humains étiquetant les mêmes 100 tweets atteignent un kappa de Fleiss de 0,39 sur trois classes, que les auteurs décrivent comme « only fair agreement, highlighting the subjectivity of sentiment analysis ». Ramener la tâche à négatif contre non négatif porte les humains à 0,45 et le modèle affiné à 0,88 face au vote majoritaire. Les textes étaient des tweets et non des réponses d'IA : les chiffres se transposent comme un ordre de grandeur, pas comme un étalon. La leçon, elle, se transpose exactement : une question à deux classes est mesurablement plus fiable qu'une question à trois, et « quelle part des mentions est négative » fait un meilleur titre qu'un score de positivité.

6. Transformez les étiquettes en un chiffre défendable

Prenez un mois de 800 réponses collectées, 50 prompts sur quatre moteurs à quatre passages chacun. Votre marque est nommée dans 304 d'entre elles : 150 positives, 118 en bande médiane, 36 négatives. Quatre formes publiées transforment ces mêmes 304 étiquettes en quatre chiffres de tête différents.

Forme publiéeArithmétique sur les mêmes 304 étiquettesRésultat
Score de sentiment net, positives moins négatives sur les mentions(150 − 36) ÷ 304 × 100+37,5
Règle Scrunch : positive 100, mitigée 50, négative 0, puis moyenne(150×100 + 118×50) ÷ 30468,8
Formule Peec AI sur une moyenne de −1 à +1((0,375) ÷ 2 + 0,5) × 10068,8
Part des mentions qui sont négatives36 ÷ 30411,8 %

Notre arithmétique, sur les règles de notation publiées dans la référence des mesures de Scrunch et sur la page sentiment de Peec AI, lues le 6 novembre 2026. Les comptes sont une illustration, choisie pour être arithmétiquement cohérente.

Deux de ces quatre lignes sont le même nombre atteint par deux chemins, ce qui rassure, et les deux autres décrivent le même mois comme un confortable 68,8 ou comme 11,8 % de mentions à aller corriger. Scrunch publie l'avertissement dans sa propre documentation : un score de 85 « does not mean '85% positive' », et la répartition n'apparaît que si l'on découpe le chiffre par bande.

Trois propriétés de cette mesure méritent de figurer dans le rapport lui-même :

  • Elle dépend du fait d'être mentionné. Scrunch fait la moyenne sur les « responses that mention your brand », et Peec AI décrit son score comme le ton des réponses IA qui mentionnent votre marque : une marque nommée deux fois en termes élogieux note mieux qu'une marque nommée 200 fois avec une critique récurrente. Affichez le nombre de mentions à côté du score, chaque fois.
  • Les exclusions la déplacent. Scrunch exclut sa bande none de la moyenne au lieu de la compter comme valeur médiane, ce qui relève le score dès qu'un mois produit beaucoup de mentions plates. Une formule qui note la bande médiane à 50 et une formule qui l'écarte ne sont pas comparables.
  • Par moteur, jamais en moyenne. Les moteurs nomment les marques dans des proportions différentes et répondent dans des registres différents : un chiffre unique tous moteurs confondus cache la surface où le cadrage est le plus mauvais. Notre position, pour ce qu'elle vaut, est d'afficher une ligne par moteur et jamais une moyenne de moyennes, pour la même raison de pondération qui vaut pour la visibilité.

7. Fixez la taille d'échantillon et le seuil d'alerte

Un score de sentiment bouge tout seul. L'étude publiée par 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, avec un recouvrement par prompt de 0,06 à 1,00. Elle situe environ 300 réponses par période à près de ±5 points de pourcentage, et environ 294 réponses de chaque côté pour soutenir un passage annoncé de 20 % à 30 %.

Le sentiment vit dans un échantillon plus petit que la visibilité, puisqu'il ne se calcule que là où la marque apparaît. Dans le mois de 800 réponses ci-dessus, le score tient sur 304 étiquettes, et une répartition par moteur laisse environ 76 étiquettes par moteur, soit une marge de près de ±10 points. Trois règles en découlent :

  • Lancez chaque prompt au moins quatre fois par mois, et comparez des trimestres plutôt que des semaines. N'affichez le chiffre par moteur que là où le nombre de mentions le supporte.
  • Alertez sur la part négative et sur les affirmations nouvelles, pas sur le score composite. Un score qui dérive de deux points est du bruit ; une affirmation sur le prix présente dans neuf réponses là où elle en occupait une est un fait daté.
  • Enregistrez la voie de collecte avec chaque réponse, ainsi que le moteur, le pays et la langue. Un mois qui mélange une capture d'interface et un appel d'API de modèle mesure deux populations, comme l'expose notre comparaison de l'outil de recherche web d'OpenAI face aux réponses de ChatGPT.

8. Mettez un prix sur le travail

Le volume vaut prompts × moteurs × passages × pays. Pour 50 prompts, quatre moteurs, quatre passages par mois et un pays, cela fait 800 réponses.

VoieFacture mensuelle pour 800 réponses collectées et notées
API for GEO10,40 $ à 0,013 $ le crédit, score, étiquette, thèmes et perception compris
Rankability97 $, le plancher de la formule ; son quota Starter couvre bien plus que 800
SE Visible99 $, le plancher de la formule, sur quatre moteurs
Promptwatch95 $, le plancher Essential, 6 000 réponses comprises
Ahrefs Brand Radar129 $ pour Lite, plus 50 $ de paquet de 2 500 checks pour couvrir les 650 checks au-delà des 150 inclus
OtterlyAI189 $, Standard, la première formule avec API
LLM Pulse299 €, Scale en suivi hebdomadaire
AthenaHQplus de 295 $, Starter, avec le module API au prix sur demande
Scrunch500 $, Agency Core, sans volume de réponses publié
Profound, Peec AI, Conductorsur devis
Collecter chez DataForSEO et classer soi-mêmeenviron 0,96 $ de scraping en file standard après un paiement minimum de 50 $, plus environ 0,07 $ de jetons gpt-5-nano, plus votre propre code

Notre arithmétique sur les tarifs et quotas publiés par chaque éditeur, vérifiés le 23 octobre 2026, sous trois hypothèses énoncées : un mois de 30 jours, chaque prompt lancé sur chaque moteur inclus, et un pays par prompt. Les abonnements collectent plus de 800 réponses à leur propre fréquence et facturent leur plancher dans tous les cas.

La dernière ligne décide la plupart des arbitrages. La collecte plus le classement coûtent environ un dollar d'usage à ce volume, contre 95 $ à 500 $ pour un abonnement, et ils coûtent une semaine de développeur plus une consigne de notation à entretenir, sur cinq moteurs au lieu de dix. Notre guide des alternatives à DataForSEO avec part de voix et sentiment chiffre cette bascule dans les deux sens, et les planchers s'inversent avec le volume : à 30 000 réponses par mois, les 99 $ de SE Visible battent 390 $ de crédits à l'usage, pour les moteurs qu'elle couvre.

Les erreurs qui rendent une courbe de sentiment inutile

  1. Afficher le score sans le nombre de mentions. La mesure ne porte que sur les apparitions : elle s'améliore quand la marque disparaît des réponses difficiles.
  2. Mélanger prompts de marque et prompts hors marque dans une courbe. Une question sur vous produit un langage plus chaud qu'une question sur la catégorie. Deux étiquettes, deux lignes.
  3. Acheter un agrégat quand la question suivante sera « à propos de quoi ». Un nss par marque ne se redécoupe pas en prix et en support. Des enregistrements par mention ou par affirmation, si.
  4. Comparer les scores de deux éditeurs. Un 68,8 sous une règle et un +37,5 sous une autre peuvent décrire les mêmes 304 étiquettes, et aucun des deux n'a tort.
  5. Faire confiance à un lexique en production. La négation, l'éloge sous condition et les intertitres « avantages et inconvénients » mettent en échec le comptage de mots-clés, et les chiffres d'accord publiés placent les outils lexicaux loin derrière un classifieur affiné.
  6. Jeter la phrase. Sans l'extrait derrière l'étiquette, personne ne peut vérifier une baisse, et la première réunion où le chiffre est contesté est celle qui tue le projet.
  7. Réagir à un mouvement de deux points. Avec quelques centaines d'étiquettes par période, deux points sont dans la zone de bruit, et l'alerte utile est une affirmation nouvelle plutôt qu'une nouvelle moyenne.

Notre avis

  1. Vous voulez le score, les thèmes et les réponses brutes dans un seul appel. API for GEO est notre choix, à 13 $ pour 1 000 réponses et jusqu'à 7 $, à l'usage et sans minimum publié, avec un score de 0 à 100 et son étiquette par marque, des thèmes regroupés, la perception par marque, la revente autorisée par écrit, et 9,0 sur 10 dans notre classement de 55 API. Les contreparties sont le tarif par réponse et le manque de documentation que notre test du 26 octobre 2026 a comblé.
  2. Vous voulez pouvoir vérifier chaque étiquette. Ahrefs Brand Radar, à 20 $ pour 1 000 sur sa voie custom prompts, renvoie l'aspect et la phrase derrière chaque mention, et relire les données de custom prompts ne consomme aucune unité d'API. Ses conditions ne licencient les données que pour vos opérations internes : un rapport d'agence demande une autre voie.
  3. Vous collectez déjà les réponses. Notez-les vous-même avec un modèle peu cher et une consigne écrite, pour environ 0,09 $ pour 1 000 réponses en jetons, et dépensez l'abonnement économisé dans l'échantillon humain qui garde le classifieur honnête.

Quelle que soit la voie, ramenez le chiffre de tête à une question avant le premier rapport : quelle part des réponses qui nous nomment dit quelque chose de négatif, et sur quoi. Ce nombre survit à un changement d'éditeur, à un changement d'échelle et à un changement de consigne, ce qu'aucun score de positivité ne fait. Notre marche à suivre pour suivre une marque dans ChatGPT avec une API traite le versant des mentions du même tuyau, et le suivi des citations de vos pages traite les sources qui ont produit le cadrage au départ.

Questions fréquentes

Qu'est-ce qu'une API de sentiment de marque dans les réponses IA ?

C'est une API qui lance vos prompts sur les moteurs IA, garde les réponses et attache une polarité à chaque mention de votre marque : une étiquette parmi positif, neutre, négatif ou mitigé, un score, ou les deux. Aucune API de moteur ne le renvoie : le chiffre est toujours calculé par un éditeur de mesure ou par vous, au-dessus des réponses stockées. Les tarifs publiés le 23 octobre 2026 pour collecter et noter 1 000 réponses vont de 2,94 $ sur la formule Starter à 97 $ de Rankability et 3,30 $ sur la formule Basic à 99 $ de SE Visible, à 20 $ sur la voie custom prompts d'Ahrefs Brand Radar et 81,94 $ sur la formule Starter à 295 $ d'AthenaHQ.

Quelles API renvoient un sentiment par mention plutôt que par réponse ?

Trois de celles que nous suivons. L'endpoint Get AI responses d'Ahrefs Brand Radar renvoie un tableau `brand_sentiment` avec une entrée par mention, portant la marque, un sentiment parmi positive, neutral, negative et mixed, un `aspect` parmi onze valeurs dont `price_value` et `service_support`, et la phrase qui entoure la mention. L'endpoint `ai_search_sentiments` de Conductor précise que « each row represents a single sentiment mention for a brand or product within an AI response », avec un `sentiment_category` parmi neuf valeurs. Promptwatch renvoie un tableau `brandMentions[]` où chaque marque porte son `sentiment`, sa `position`, son `visibilityScore` et son `toneOfVoice`. Scrunch et OtterlyAI travaillent un étage au-dessus, par réponse et par marque agrégée.

Combien coûte la mesure du sentiment de marque sur 1 000 réponses IA ?

Aux prix publiés le 23 octobre 2026 : 2,94 $ avec Rankability, 3,30 $ avec SE Visible, 13 $ avec API for GEO et jusqu'à 7 $ à son plus gros palier, 13,32 $ avec GEOly, 15,75 $ avec OtterlyAI, 15,83 $ avec Promptwatch, 20 $ avec Ahrefs Brand Radar sur sa voie custom prompts, 30,67 € avec LLM Pulse et 81,94 $ avec AthenaHQ, Profound, Peec AI, Scrunch et Conductor vendant l'accès API dans un abonnement ou sur devis. API for GEO, notre choix après un test en conditions réelles par Mathias C., facture un crédit par prompt, par modèle et par passage, indique que les lectures des passages déjà stockés ne sont pas facturées, et autorise la revente par écrit.

Peut-on comparer le score de sentiment de deux outils ?

Non, parce que les échelles sont construites autrement. Peec AI publie son agrégation comme `((sum(sentiment_sum) / sum(sentiment_count)) / 2 + 0.5) * 100` sur une plage de 0 à 100, et note que la plupart des scores se situent entre 65 et 85. Scrunch note chaque réponse retenue positive 100, mitigée 50, négative 0 puis fait la moyenne, en prévenant que 85 « does not mean '85% positive' ». OtterlyAI renvoie des comptes `positive`, `neutral` et `negative` plus un `nss`. Ahrefs ne renvoie que des étiquettes, sans score. Deux éditeurs peuvent rapporter le même mois comme 68,8 et comme +37,5 sans qu'aucun ait tort.

Quelle est la fiabilité d'une étiquette de sentiment automatique ?

Plus faible que le chiffre unique ne le laisse croire, et le plafond est le désaccord entre humains. Une étude de six annotateurs humains sur 100 tweets, publiée sur arXiv le 7 octobre 2026 et acceptée à TPDL 2026, mesure un kappa de Fleiss de 0,39 entre les humains sur trois classes, qui monte à 0,45 quand la tâche se ramène à négatif contre non négatif. Face au vote majoritaire des humains, les trois modèles ouverts testés obtiennent de 0,48 à 0,63 sur trois classes, alors qu'un modèle de sentiment affiné sur des tweets atteint 0,73 et 0,88 sur la version à deux classes. Les textes étaient des tweets et non des réponses d'IA : prenez ces chiffres comme un ordre de grandeur, et gardez l'extrait derrière chaque étiquette pour qu'un humain puisse la vérifier.

Combien de réponses avant qu'un chiffre de sentiment soit stable ?

Plusieurs centaines par période. 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, situe environ 300 réponses par période à près de ±5 points de pourcentage, et demande environ 294 réponses de chaque côté pour soutenir un passage annoncé de 20 % à 30 %. Un chiffre de sentiment repose sur un échantillon plus étroit, puisqu'il ne se calcule que sur les réponses qui nomment la marque : sur 800 réponses collectées dont 38 % vous nomment, le score tient sur environ 304 étiquettes.