Baromètre de l'IA réputation 2026 : la machine derrière la mesure

Près de 40 000 questions administrées à quatre grands modèles d'IA générative, quelque 573 000 citations de sources tracées et analysées, neuf dimensions de réputation évaluées pour chaque entreprise du CAC 40 : l'édition 2026 du Baromètre de l'IA réputation, co-produit avec Vectors, change d'échelle. Ce changement a un nom : PromptForge, l'outil développé par Trickstr pour analyser en masse les réponses des LLMs.

Mesurer une perception algorithmique est un problème d'ingénierie

Demander à un chatbot ce qu'il pense d'une entreprise n'a rien d'une mesure. Une même question, posée deux fois au même modèle, produit deux réponses différentes. La perception d'un LLM n'est pas un fait que l'on consulte, c'est une distribution que l'on échantillonne.

Obtenir une mesure stable exige donc de la masse et du protocole : des questions déclinées en formulations multiples et neutres, réparties sur toutes les dimensions de la réputation corporate, répétées, administrées dans des conditions contrôlées et intégralement journalisées. Un protocole expérimental au sens scientifique du terme, pas une conversation.

C'est ce qui distingue l'IA réputation, discipline de mesure multidimensionnelle, des approches de visibilité type GEO, dont l'objectif est avant tout d'apparaître dans les réponses. Ici, l'objet est de quantifier la manière dont les modèles perçoivent une organisation, dimension par dimension, et d'identifier ce qui détermine cette perception.

PromptForge, orchestrateur de bout en bout

Trickstr interroge les modèles à grande échelle depuis début 2025 : son étude sur les biais politiques des IA reposait déjà sur 41 410 réponses obtenues de chacun des 14 modèles testés, soit 579 740 réponses analysées. La première édition du baromètre a suivi en octobre 2025. Édition après édition, chaque étape du protocole a été industrialisée, jusqu'à converger dans un outil propriétaire : PromptForge, désormais intégré à la plateforme Kosmos.

PromptForge orchestre la chaîne complète :

• Génération du protocole d'interrogation. Des gabarits sont déclinés en dizaines de milliers de questions uniques (entreprise × dimension × formulation), rédigées pour ne pas induire la réponse.
• Administration massive. Les questions sont soumises en parallèle aux différents modèles, avec gestion des débits, des sessions et des contextes, et journalisation de chaque échange. Une campagne peut être rejouée à l'identique, condition de toute comparaison dans le temps.
• Collecte structurée. Réponses et sources citées sont capturées, normalisées et historisées. Pour l'édition 2026, près de 573 000 citations de sources ont été tracées puis classées par nature (sites propriétaires, médias, forums et blogs, encyclopédies, réseaux sociaux).
• Scoring et analyse sémantique. Chaque réponse est notée sur les neuf dimensions de la grille, les entités sont extraites (dirigeants, marques, controverses), et l'agrégation statistique produit classements, corrélations et signaux faibles.

2026 : le changement d'échelle

L'édition d'octobre 2025 reposait sur 4 536 questions et sept dimensions. L'édition 2026 en administre près de 40 000, presque neuf fois plus, et étend la grille à neuf dimensions. La différence n'est pas cosmétique, elle est statistique : à cette échelle, les intervalles de confiance se resserrent, les écarts entre entreprises deviennent significatifs, et le classement, emmené cette année par Schneider Electric, gagne une robustesse que les approches artisanales ne peuvent pas offrir.

Surtout, la masse rend visibles des phénomènes qu'aucun sondage manuel des modèles ne permet de détecter.

Ce que seule la masse révèle

Quatre exemples tirés de l'édition 2026 :

• La mémoire gelée des modèles. L'analyse de la fraîcheur des sources citées montre des connaissances massivement concentrées sur la fenêtre 2020-2024. Les IA jugent les entreprises sur un passé figé au moment de leur entraînement.
• La notoriété n'est pas la réputation. Le volume de mentions d'une entreprise et la qualité de sa perception divergent nettement. Être connu des modèles ne signifie pas en être bien évalué.
• La surexposition médiatique se paie. Contre-intuitivement, la surreprésentation médiatique d'une entreprise par rapport à son poids économique est corrélée négativement à son classement.
• L'hyperconcentration des dirigeants. Une poignée de dirigeants concentre l'essentiel des mentions générées par les modèles, laissant la plupart des autres dans un angle mort algorithmique.

Chacun de ces constats suppose de traiter des centaines de milliers de réponses et de citations, avec une chaîne d'analyse identique d'un modèle à l'autre. C'est exactement ce que PromptForge rend possible.

Un outil éprouvé sur des enjeux mondiaux

Le baromètre est la vitrine publique de PromptForge, pas son seul terrain. L'outil est déployé pour de grands groupes mondiaux, parmi lesquels L'Oréal, Carrefour ou Vinci : cartographies de perception multi-marchés et multi-langues, mesure d'image dans les modèles avant et après une séquence stratégique, benchmarks concurrentiels, identification des sources qui façonnent les réponses des IA sur des enjeux sensibles.

À chaque génération de modèles, les perceptions bougent. La question n'est plus de savoir si les IA ont une opinion sur les organisations : elles en ont une, argumentée, sourcée, et chaque jour davantage consultée. La question est de la mesurer avec rigueur, à intervalles réguliers, avec un instrument constant. C'est la fonction de PromptForge, et la raison d'être de ce baromètre.