Méthodologie
Cette page est une divulgation honnête du moteur de scan : quels modèles sont interrogés, quel prompt est envoyé, quels paramètres par défaut s’appliquent, et pourquoi nos réponses peuvent diverger — à hauteur de 10–20 % — de ce que vous voyez dans votre onglet ChatGPT personnel. Si vous évaluez Plavra, c’est ce que vous payez. Aucune case cachée, aucune formule propriétaire.
Sans engagement · paiement sécurisé Europe.
À chaque scan, Plavra interroge quatre modèles d’IA — un par fournisseur, à travers le proxy IA mutualisé que nous opérons. Ce sont les API publiques, pas les interfaces consommateur (chat.openai.com, claude.ai, gemini.google.com, perplexity.ai). Cette nuance est expliquée plus bas dans « Pourquoi nos réponses divergent de vos ChatGPT ».
Les modèles Mistral (Mistral Large et Pixtral Large) ne sont pas encore câblés au moteur de scan unifié : ils restent couverts à travers le guide de positionnement dédié sur /seo/visibilite-marque-mistral. Si Mistral rentre dans le moteur, cette page sera mise à jour le même jour.
Pour chaque question d’achat présente dans votre scan, Plavra envoie le même gabarit de prompt à chacun des quatre modèles. Les zones entre chevrons — <brand>, <competitors>, <question> — sont substituées à l’exécution par l’engine. Le reste du texte est mot pour mot ce que reçoit le modèle.
Tu es un analyste de visibilité IA pour acheteurs francophones.
Marque analysée : <brand>.
Concurrents connus : <competitors>.
Question réelle posée par un acheteur : "<question>".
Réponds comme si tu répondais à cet acheteur : sois utile, concret, et
nomme les marques qui apparaissent vraiment dans la réponse.
Quand tu as terminé, ajoute EXACTEMENT ce bloc JSON sur la dernière
ligne (sans texte après) :
{"mentioned_brands": ["..."], "sources": ["https://..."], "brand_sentiment": "positive|neutral|negative"}
Règles :
- "mentioned_brands" doit lister les marques citées dans ta réponse, en
minuscules, sans la marque analysée si elle n'apparaît pas.
- "sources" doit lister les URLs que tu cites réellement dans ta réponse
(visibles ou implicites) ; laisse vide si tu n'en cites aucune.
- Si un titre de page ou une marque mise en avant est connu pour chaque
source, ajoute un tableau "source_meta" aligné sur "sources" par
index : [{"title": "...", "favoredBrand": "..."}, ...].
- "brand_sentiment" reflète le ton global de ta réponse vis-à-vis de
"<brand>" : positive si elle est recommandée, neutral si elle est
mentionnée sans jugement, negative si elle est écartée ou critiquée.Le prompt spit ensuite un bloc JSON en fin de réponse — mentioned_brands, sources, brand_sentiment — qui sert à Plavra à compter les mentions et scorer le ton sans ré-inférence. Si le modèle omet ce bloc, la réponse reste valide côté prose mais Plavra classe la mention comme inconnue sur la ligne du modèle fautif.
Ces valeurs ne sont pas négociables sur le forfait Starter : elles sont les mêmes pour tous les clients et garantissent que deux scans comparables produisent des chiffres comparables.
indisponible et la ligne passe en partial plutôt que de bloquer l’ensemble du scan. Promise.allSettled. Une panne d’un modèle n’infecte pas les autres.{ answer, sources, mentionedBrands, sentiment, citations, failureCode, outboundUrl }. mentionedBrands est normalisé en minuscules ; sentiment est forcé à positive, neutral, ou negative (les valeurs hors plage sont ramenées à neutral).Plavra interroge les API publiques des fournisseurs, pas les interfaces consommateur. Les deux sont gérées par le même fournisseur, mais elles ne renvoient pas exactement la même réponse à la même question. Voici pourquoi — et pourquoi c’est normal.
Côté interface chat, l’application ajoute des couches invisibles : retrieval augmenté sur l’historique de conversation, plugins activés par défaut, mémoire long terme, scaffolds système propriétaires (par exemple le « Custom Instructions » chez OpenAI, les « Memories » chez Anthropic), routage éventuel vers un modèle différent de celui attendu. Tout cela est absent d’un appel POST /chat/completions nu. Plavra émet un appel API standardisé, sans scaffold, avec un prompt identique pour les quatre modèles.
Côté fournisseur, certains modèles exposent en API des snapshots plus anciens ou plus récents que ce que l’interface chat affiche par défaut. Les fournisseurs poussent parfois la version la plus performante sur le chat et stabilisent la version API pour des raisons de coût et de SLA. Il n’est pas rare que le même modèle, sur deux canaux différents, donne deux réponses divergentes de 10 à 20 % sur des chiffres factuels.
Ce n’est pas un bug, c’est une différence structurelle. Plavra assume cette posture : la méthodologie est reproductible, les appels sont tracés, le coût marginal est connu. Un consultant AEO qui rejoue la même question dans ChatGPT doit s’attendre à une variation raisonnable — et c’est précisément pour cette raison que la mesure agrégée sur quatre modèles donne un signal plus fiable que la citation isolée d’un seul produit.
Pour boucler la divulgation, voici ce que Plavra ne prétend PAS faire — ou ce qu’elle ne fait qu’à certaines conditions.
partial ou failed sur la ligne du modèle fautif. Le scan partiel reste exploitable : on ne cache pas un échec, on l’explique.Convaincu ?
49 €/mois, sans engagement : une marque, jusqu’à 5 concurrents, 30 questions d’achat suivies chaque semaine sur les quatre modèles interrogés. Résiliation à tout moment, paiement Stripe sécurisé en Europe.