“Ce mois-ci, les sources IA ont généré X visites et Y de revenus.” La phrase est claire. Elle est souvent trop claire. Elle mélange des réalités différentes : une réponse IA mentionne la marque, un agent lit une page, un humain clique sur une recommandation, cet humain montre une intention commerciale, puis une commande est peut-être reliée à la session. Ce sont des niveaux de preuve différents.
Le risque principal de l'attribution IA n'est pas seulement le manque de données. C'est la confusion entre les données.
Les cinq couches AIAA
Answer correspond à l'exposition dans les réponses IA. La marque est citée, une page est reprise, une information produit est utilisée. C'est de la visibilité, pas une visite.
Request correspond à l'activité machine. Un agent IA récupère des pages produit, des prix, des politiques ou des informations de stock. Les logs serveur et Edge deviennent essentiels. Mais une requête n'est pas une intention humaine.
Visit correspond à l'arrivée humaine. Un utilisateur clique depuis ChatGPT, Perplexity, Gemini ou une autre expérience IA. C'est plus proche de la valeur, mais ce n'est pas encore une conversion.
Commerce décrit les comportements intentionnels : vue produit, panier, checkout, demande de démo, formulaire. Ici, la visibilité IA commence à toucher les indicateurs de croissance.
Attribution est le niveau de preuve le plus fort. Referrer, session, commande et CRM permettent d'expliquer pourquoi un revenu peut être relié à une source IA.
Zone | Source de données | Indicateurs clés | Fréquence |
|---|---|---|---|
Answer | Échantillonnage de réponses IA, suivi SOV | Taux de mention, exactitude des citations, comparaison concurrentielle | Hebdomadaire |
Request | Logs Edge, logs serveur | Volume de requêtes Agent, chemins, types d'agents | Quotidienne |
Visit | JS first-party, GA4 AI Assistants | Sessions IA, pages d'arrivée, comportement | Quotidienne |
Commerce | Plateforme e-commerce + données first-party | Vues PDP IA, taux panier, taux checkout | Quotidienne |
Attribution | Jointure session-commande | Commandes attribuées à l'IA, revenus, panier moyen | Hebdomadaire |
Couche | Poids | Raison |
|---|---|---|
Answer | 0.2 | Exposition observée par échantillon, pas de trafic direct |
Request | 0.3 | Visible côté serveur, mais intention humaine faible |
Visit | 0.5 | Arrivée humaine, sans preuve de conversion |
Commerce | 0.8 | Signal clair d'intention commerciale |
Attribution | 1.0 | Revenu relié à une preuve IA |
Cette structure empêche la contribution IA d'être réduite à un seul chiffre. Une hausse de Request après l'activation de logs Edge peut être une amélioration de couverture. Une hausse de mentions sans hausse de Visit peut signaler un problème de liens, de recherche de marque, de pages produit ou de sources externes citées par les modèles.
Dans le reporting, il faut séparer observed growth et comparable growth. Le premier montre tout ce que l'on voit maintenant. Le second ne compare que les sources présentes dans les deux périodes. Sans cette séparation, une meilleure mesure devient artificiellement une croissance de marché.
Les responsabilités changent aussi par couche. Answer concerne GEO et contenu. Request concerne infrastructure et SEO technique. Visit et Commerce concernent growth, e-commerce et analytics. Attribution implique BI, CRM, paid media et finance. L'AIAA sert à organiser la qualité de preuve, pas à inventer un nouveau total flatteur.
Pourquoi le mélange crée une fausse attribution
Une mention n'est pas une visite. Une visite n'est pas un achat. Un achat n'est pas automatiquement un revenu attribuable à l'IA. Quand ces frontières disparaissent, deux erreurs apparaissent : les pics de crawlers sont présentés comme de la demande, et des revenus ordinaires deviennent artificiellement des revenus IA.
Ces erreurs peuvent embellir un reporting de court terme. Elles détruisent la confiance à moyen terme. Un CMO ou un CFO n'a pas besoin du chiffre IA le plus élevé. Il a besoin d'un chiffre défendable.
Un tableau de bord plus honnête
Un tableau de bord AIAA doit afficher les cinq couches séparément. Il doit indiquer la source de données utilisée par couche. Il doit signaler l'ajout d'un nouveau connecteur, car un pic après l'activation de logs Edge peut simplement signifier que l'on voit enfin une activité auparavant invisible.
Il faut aussi distinguer observed growth et comparable growth. Le premier montre tout ce que l'on observe aujourd'hui. Le second compare uniquement les sources présentes dans les deux périodes. Sans cette distinction, une amélioration de couverture peut être prise pour une accélération du marché.
Pour les marques internationales, cette prudence est essentielle. L'IA influence souvent le haut de funnel, tandis que le dernier clic peut venir de la recherche de marque, du direct ou du retargeting. Le last click sous-estime l'IA. Le “tout IA” la surestime. L'AIAA cherche une voie plus robuste.
Gravity relie donc GEO, couche de preuve du site, logs, paid media et CRM. L'IA découvre des faits, les agents lisent des pages, les humains visitent, et le revenu arrive parfois plus tard. L'attribution doit connecter cette chaîne sans écraser les différences de preuve.
FAQ
Q1: Quelle différence entre trafic IA et contribution IA ?
A: Le trafic IA parle surtout de visites. La contribution IA inclut exposition, requêtes, visites, comportements commerciaux et revenus attribués.
Q2: Pourquoi séparer les crawlers des sessions ?
A: Les crawlers montrent une activité machine. Ils ne prouvent pas une intention humaine.
Q3: Quelle couche compte le plus ?
A: Pour le reporting financier, l'attribution. Pour les signaux précoces, Answer et Request.
Q4: Quelle erreur est fréquente ?
A: Lire une hausse due à un nouveau connecteur de logs comme une croissance réelle du marché.
Q5: Par où commencer ?
A: Par un tableau de bord qui sépare Answer, Request, Visit, Commerce et Attribution.