Preuvia - audit de visibilité dans les réponses des IA

Aider une marque à savoir si elle apparaît dans les réponses des assistants IA, qui ressort à sa place, quoi publier, puis quoi re-tester au prochain audit.

Site live Version Markdown

Type	Produit - audit GEO (visibilité IA)
Période	Juin 2026 - en cours
Rôle	Conception produit, méthode d'audit, site, prototypage du livrable
Statut	Offre en ligne - phase de lancement
Niveau de preuve	Un lien public permet de contrôler au moins l'élément principal.
Stack	Next.js, GEO / AEO, LLM multi-modèles, Schema JSON-LD, PDF
Ce que ça prouve	Un audit sur quatre IA principales, avec Mistral selon le contexte, qui montre si elles citent une marque, qui apparaît à sa place et quoi publier avant le prochain contrôle.
Preuves	Site et détail public de l'offre accessibles en ligne. Les éventuelles missions clients restent hors du périmètre des preuves publiques.

Aperçu

Ce qui est visible.

Page d'accueil publique de Preuvia : la promesse explique directement ce que l'audit vérifie.

Process public de l'audit : tester les réponses, repérer les écarts, puis prioriser ce qu'il faut publier.

Exemple fictif du livrable public : sources citées, manque observé et actions proposées, sans résultat client inventé.

Contraintes

Ce qu'il fallait respecter.

Sujet mouvant : les réponses des IA varient selon le modèle, le prompt et le moment.
Promesse honnête imposée : ne jamais garantir l'apparition dans les IA.
Méthode et template d'audit = actif commercial, non publiés.

Fonctionnement

Comment ça fonctionne.

Site et tunnel de prise de contact en Next.js, déployés et suivis en production.
Protocole d'audit reproductible : un jeu de requêtes testé sur quatre IA principales (ChatGPT, Claude, Perplexity et Gemini), avec Mistral selon le contexte.
Grille de lecture publique : présence, exactitude, fraîcheur et citabilité, notées de 0 à 3 par assistant.
Comparaison des sources citées (concurrents, comparatifs, forums) pour situer la marque.
Livrable PDF structuré : score de visibilité, écarts, contenus et balisage à publier, puis éléments à re-tester au prochain audit.

Décisions

Pourquoi ces choix.

Décision	Pourquoi	Écarté
Score public sur 4 dimensions	Rendre l'audit vérifiable : présence, exactitude, fraîcheur et citabilité peuvent être re-testées au lieu de rester dans un score opaque.	Score propriétaire impossible à expliquer.
Offre productisée plutôt que SaaS	Livrer une valeur claire et facturable tout de suite, sans construire une plateforme avant d'avoir des clients.	Développer un outil de monitoring self-service d'emblée.
Promesse explicitement non garantie	Question de crédibilité, personne ne contrôle ce que les modèles citent.	Vendre une garantie d'apparition invérifiable.
Sortie = contenus prêts à publier	Donner l'action, pas seulement le constat.	Se limiter à un score de visibilité.

Livraison

Ce que j'ai livré.

Site en ligne avec tunnel de prise de contact.
Protocole d'audit multi-modèles reproductible.
Questions test séparant requêtes génériques et requêtes marque.
Livrable PDF avec le score, les sources citées, les écarts et un plan d'action à vérifier lors du prochain audit.
Prototype de mini-audit et modèle de livrable.

Résultats

Ce qui fonctionne aujourd'hui.

Offre, site et principes de la méthode présentés publiquement.
Grille de lecture et structure de livrable documentées.
Ce portfolio est lui-même optimisé selon cette méthode (llms.txt, profile.json, données structurées).

Pas encore mesuré

Ce qui n'est pas encore mesuré.

Revenus récurrents : trop tôt, offre en phase de lancement.
Effet réel sur les citations IA des clients : mesuré au cas par cas, pas de moyenne publiable.

V2 / suite

La prochaine étape.

Industrialiser la collecte multi-modèles.
Suivi mensuel des écarts de citation pour les clients sous abonnement.