Quand l'IA contredit l'ADN d'une marque : l'exemple de Lush et du cruelty-free

Je vais commencer par une anecdote personnelle, parce qu'elle est trop précise pour être racontée autrement.

J'aime Lush depuis longtemps. Les bombes de bain, les odeurs improbables, l'accueil en boutique : c'est une marque que j'achète, que je connais, et que j'ai fini par utiliser comme terrain de jeu pour mon métier. Comme Sona mesure la perception des marques par les IA, je me suis dit que Lush ferait un excellent cas d'école. Un ADN ultra-construit, un militantisme central, trente ans d'identité claire. Si une marque pouvait s'attendre à être bien restituée par une IA, ce serait elle.

J'ai ouvert ChatGPT. Pas en mode éphémère, comme un client qui veut rester anonyme : depuis mon compte habituel, celui qui sait que je traque le naturel et le cruelty-free depuis des mois, celui dont la mémoire conversationnelle accumule mes préférences et personnalise mes réponses.

Question posée :

je voudrais m'acheter des bombes de bain qui sentent bon, tu me conseilles quoi ?

La réponse ne contient pas Lush. Elle me sort du Auchan, du Carrefour, du Amazon. Et dans la foulée, ChatGPT me propose, je cite mot pour mot :

voici les meilleures marques type Lush mais en version plus naturelle et cruelty-free

Pause.

Lush est cruelty-free depuis sa création en 1995. C'est inscrit en immense dans toutes les boutiques, c'est leur combat depuis trois décennies, c'est leur raison d'être affichée publiquement et défendue militantement. Ce n'est pas un argument marketing posé en bas de page, c'est l'épine dorsale de la marque. Et l'IA me propose des alternatives plus cruelty-free à une marque qui incarne le cruelty-free.

Votre marque a une voix. Les IA en renvoient un écho. Quand la marque s'appelle Lush et que l'écho la décrit comme insuffisamment cruelty-free, le décalage entre la voix et l'écho devient un problème de récit, pas un détail technique.

Le double échec : non citée, puis comprise à l'envers

Ce qui s'est passé avec Lush n'est pas une seule erreur, c'est deux erreurs imbriquées qui se renforcent.

Première erreur : la non-citation. Sur une requête où Lush devrait apparaître naturellement en première intention (« bombes de bain qui sentent bon » est presque une définition produit de la marque), elle n'est pas mentionnée. La place est prise par des distributeurs génériques qui vendent peut-être de la bombe de bain, mais qui n'incarnent rien de spécifique dans la catégorie. C'est un problème de GEO Visibility : la marque n'est pas là où elle devrait être.

Deuxième erreur : la compréhension faussée. Quand l'IA mentionne enfin Lush, c'est pour la positionner comme un contre-exemple, comme la marque qu'on prend comme référence dans la catégorie mais dont on cherche une alternative « plus naturelle et cruelty-free ». C'est un problème d'AI Brand Perception : la marque est là, mais le récit que l'IA construit autour d'elle est l'inverse de ce que la marque incarne réellement.

Les deux problèmes ne se solutionnent pas de la même façon, et c'est précisément pour ça qu'il faut les distinguer. La GEO Visibility se travaille différemment de l'AI Brand Perception : la première par densité d'empreinte textuelle et structuration de contenu, la seconde par fidélité narrative et cohérence du positionnement à travers tous les corpus que les LLMs ingèrent.

L'angle qui rend l'histoire encore plus frappante : la mémoire

Si j'avais testé cette requête en mode éphémère, comme un utilisateur lambda qui ouvre ChatGPT pour la première fois, le résultat aurait été moins étonnant. L'IA aurait pu se baser sur des moyennes générales, sur des associations statistiques entre « bombes de bain » et les marques les plus mentionnées dans son corpus, sans tenir compte du moindre signal personnel.

Mais ce n'est pas ce que j'ai fait. J'ai posé la question depuis un compte où ChatGPT me connaît bien, où il a accumulé des mois de signaux indiquant que je m'intéresse particulièrement au naturel et au cruelty-free. C'est exactement le type de profil utilisateur pour lequel un système de recommandation devrait pousser Lush en première intention, parce que la marque coche toutes les cases sémantiques que la mémoire ChatGPT a stockées sur moi.

L'IA avait toutes les données pour bien faire, et elle s'est trompée quand même.

Ce détail change la lecture du problème. Ce que cette expérience révèle, ce n'est pas un manque d'information sur l'utilisateur, c'est un manque de fidélité narrative sur la marque elle-même. La mémoire ChatGPT, aussi sophistiquée soit-elle, ne corrige pas une représentation de marque incorrecte dans le modèle. Elle se contente de pondérer des choix dans une matrice où Lush est déjà mal positionnée à la source.

Autrement dit, même un utilisateur parfaitement identifié comme cible de Lush ne reçoit pas Lush en réponse. Imaginez ce qui se passe pour un utilisateur générique.

Pourquoi les LLMs se trompent sur Lush (et sur la plupart des marques fortes)

Le mécanisme est plus subtil qu'un simple oubli de la marque. Les LLMs construisent leur représentation d'une marque à partir de corpus textuels massifs : presse, forums, fiches produits, Wikipedia, réseaux sociaux, comparatifs, blogs. Plus une marque a de signaux cohérents et abondants dans ces corpus, plus le modèle l'apprend correctement.

Le problème de Lush est paradoxal : la marque est très visible, son militantisme est connu, mais la façon dont elle est documentée dans les corpus IA semble laisser passer une ambiguïté. Peut-être parce que de nombreux articles sur les bombes de bain mentionnent Lush au passage en la comparant à d'autres marques « plus naturelles », sans préciser le caractère cruelty-free pourtant central. Peut-être parce que le bruit textuel autour de Lush mélange marque grand public et marques de niche naturelles dans la même conversation, ce qui pousse le modèle à les confondre. Peut-être parce que le militantisme de la marque, qui devrait être un signal fort, est traité par les modèles comme un sujet politique plutôt que comme un attribut produit.

Le résultat est le même dans tous les cas : l'IA construit une carte mentale de Lush dans laquelle le cruelty-free n'est pas la donnée centrale. La marque se retrouve à devoir prouver ce qu'elle est sur le canal IA, alors qu'elle a passé trente ans à le prouver partout ailleurs.

Ce que ça implique pour les autres marques

Lush n'est pas un cas isolé, c'est un cas révélateur. Si une marque comme Lush, avec trente ans d'identité claire, un militantisme central et un univers ultra-construit, peut être mal restituée par une IA qui connaît en plus les préférences personnelles de l'utilisateur, alors la grande majorité des marques se trouvent dans une situation au moins aussi fragile.

Les marques plus jeunes n'ont pas accumulé assez de signaux textuels pour ancrer leur identité dans la mémoire des modèles. Les marques moins frontales ne se distinguent pas dans le bruit ambiant de leur catégorie. Les marques en repositionnement subissent en plus le décalage temporel entre ce qu'elles sont aujourd'hui et ce que les LLMs ont appris il y a deux ans. À chaque fois, le risque est identique : la marque existe dans les réponses IA, mais sous une version appauvrie, déformée, ou contradictoire avec son intention réelle.

Et personne ne prévient les marques quand ça arrive. Personne ne va voir Lush pour leur dire que ChatGPT propose des alternatives plus cruelty-free à leur place. La marque l'apprend par accident, ou ne l'apprend jamais.

Ce qu'on peut faire (et pourquoi Sona vient du branding, pas du SEO)

La plupart des outils GEO disponibles sur le marché mesurent la visibilité quantitative : êtes-vous citée, à quelle fréquence, à quelle position. Ces outils auraient repéré le premier problème de Lush (la non-citation sur la requête bombes de bain) mais auraient probablement raté le second (la qualification à contre-emploi).

C'est précisément ce qui distingue la lecture qu'on fait du sujet chez Sona. Nous venons du branding, pas du SEO. Nos dimensions d'audit ne mesurent pas seulement la GEO Visibility (la présence quantitative), elles mesurent aussi l'AI Brand Perception (la fidélité narrative). Les deux dimensions ensemble racontent ce qui se passe vraiment quand une IA parle de votre marque. Une seule des deux ne raconte qu'une moitié de l'histoire.

Un audit GEO + Perception IA aurait, dans le cas de Lush, identifié les deux écarts : la position perdue sur la requête naturelle de la marque, et le décalage de positionnement narratif. À partir de là, les actions correctives ne sont pas les mêmes pour chaque problème, mais elles sont diagnosticables et hiérarchisables.

Sans cet audit, la marque continue à construire son récit sans savoir qu'un canal entier (les IA génératives, qui pèsent désormais autant que les autres) le restitue partiellement ou à contresens.

Conclusion : votre marque mérite d'être restituée fidèlement

Lush n'a probablement pas conscience de ce qui se passe quand un utilisateur ChatGPT lui demande une recommandation de bombes de bain. Et c'est exactement le problème.

Toutes les marques sont dans cette situation : elles ne savent pas ce que les IA disent d'elles, ni à quel point ce que les IA disent contredit ce qu'elles cherchent à incarner. Tant que personne ne mesure, le décalage s'installe et s'amplifie en silence. La marque construit son récit d'un côté, l'IA en construit un autre de l'autre, et les deux divergent au fil du temps sans jamais se croiser.

La conversation complète avec ChatGPT que je décris ici est consultable en ligne, et elle vaut le détour : on y voit en temps réel comment une IA qui devrait recommander une marque la qualifie d'insuffisamment cruelty-free. Pour Lush, ce décalage prête à sourire ; pour la plupart des marques, il s'installe en silence et finit par coûter cher.

Questions fréquentes

Pourquoi ChatGPT peut-il recommander des alternatives « plus cruelty-free » à une marque cruelty-free comme Lush ?

Les LLMs construisent leur représentation d'une marque à partir de corpus textuels massifs : presse, forums, comparatifs, fiches produits. Si ces sources mentionnent Lush en la comparant à des marques « plus naturelles » sans réaffirmer son caractère cruelty-free pourtant central, le modèle apprend une carte mentale où cet attribut n'est pas la donnée principale. La marque se retrouve qualifiée à contre-emploi, indépendamment de la réalité.

Quelle est la différence entre la non-citation et la perception faussée d'une marque dans les IA ?

La non-citation relève de la GEO Visibility : la marque n'apparaît pas là où elle devrait. La perception faussée relève de l'AI Brand Perception : la marque apparaît, mais le récit construit autour d'elle contredit ce qu'elle incarne. Les deux problèmes se corrigent différemment, d'où l'importance de les distinguer.

La mémoire de ChatGPT corrige-t-elle une mauvaise perception de marque ?

Non. La mémoire conversationnelle pondère les réponses selon les préférences de l'utilisateur, mais elle ne corrige pas une représentation de marque incorrecte à la source. Même un utilisateur parfaitement identifié comme cible peut ne pas recevoir la marque en recommandation si celle-ci est mal positionnée dans le modèle.

Comment savoir si les IA déforment le positionnement de ma marque ?

Il faut interroger systématiquement les principaux moteurs IA avec une grille de questions calibrée sur votre catégorie, vos cibles et vos contextes d'achat, puis comparer ce que les IA racontent avec ce que votre marque cherche à incarner. C'est l'objet d'un audit GEO + Perception IA : il mesure à la fois votre visibilité quantitative et la fidélité du récit restitué.

Pourquoi un outil GEO classique ne suffit-il pas à détecter ce type de problème ?

La plupart des outils GEO mesurent la visibilité quantitative : êtes-vous citée, à quelle fréquence, à quelle position. Ils repèrent la non-citation mais ratent souvent la qualification à contre-emploi, qui relève de la fidélité narrative. Mesurer les deux dimensions ensemble est nécessaire pour comprendre ce qui se passe vraiment quand une IA parle de votre marque.