Cet article a été traduit de l'anglais. [Pour accéder à la version originale en anglais, changez simplement la langue en haut de la page.]
Adapté de l'essai de Duane Forrester sur Duane Forrester Decodes. Aurora étend son cadre pour les équipes marketing qui pilotent des programmes de visibilité AI search.
Quand une marque disparaît de ChatGPT ou perd des parts dans Perplexity, la réponse marketing par défaut est de produire plus de contenu. C'est une réponse de couche de récupération appliquée à ce qui est de plus en plus un problème d'une autre nature. Le résultat : budget gaspillé, trimestres ratés et le sentiment rampant que le travail ne se connecte plus aux résultats.
La contribution de Forrester est un modèle propre à trois couches de là où la visibilité IA casse réellement. Chaque couche échoue différemment. Chaque couche a un propriétaire différent. Chaque couche a besoin d'une solution différente.
Couche 1 : Récupération
C'est là que les systèmes IA tirent du contenu externe dans une réponse. Retrieval-augmented generation, la couche sur laquelle la plupart des équipes travaillent déjà. Le succès ressemble ici à l'optimisation de recherche classique : contenu crawlable, analysable, friendly aux chunks. En-têtes structurées, réponses autonomes, balisage schema, implémentation technique propre. La plupart des équipes marketing ont des versions de ce travail en cours.
La limite structurelle de la couche est ce que Microsoft Research a appelé l'échec connect-the-dots : le RAG simple récupère des chunks mais ne peut pas raisonner sur les relations entre eux. Pour les questions nécessitant une synthèse à travers plusieurs sources, la récupération seule s'effondre, et le modèle comble l'écart par une hallucination qui sonne avec confiance.
La question à laquelle cette couche répond : le modèle peut-il récupérer notre contenu du tout, et est-ce le bon contenu pour la requête ?
Couche 2 : Knowledge graph (la couche relationnelle)
La couche knowledge graph décide de la façon dont votre marque est représentée comme entité : quelle catégorie vous occupez, à quelles autres entités vous êtes connecté, si vous êtes traité comme un membre reconnu de votre catégorie ou comme une chaîne candidate floue parmi beaucoup. Le Knowledge Graph de Google, le Satori de Microsoft et le graphe ouvert construit sur Wikidata et schema.org définissent collectivement ceci.
Les entités propres et bien définies sont citées de manière cohérente. Les tokens indifférenciés éparpillés dans le web sont pattern-matched contre de nombreux candidats et perdent. Produire plus de contenu ne fait presque rien si la définition d'entité reste floue. La solution est structurelle : balisage schema sur les propriétés owned, nommage et identifiants cohérents à travers le web ouvert, présence sur les nœuds de haute confiance (Wikidata, plateformes d'avis) et l'accumulation lente de mentions de marque dans des contextes que le graphe traite comme autoritaires.
La question à laquelle cette couche répond : sommes-nous une entité propre et défendable dans notre catégorie, ou sommes-nous pattern-matched contre douze candidats concurrents ?
Couche 3 : Context graph (récupération d'entreprise gouvernée)
C'est la couche que la plupart des marketers n'ont pas encore nommée. Un context graph a la même forme structurelle qu'un knowledge graph — entités, relations, connexions typées — mais il est ancré différemment. Un knowledge graph modélise le monde. Un context graph modélise les données, décisions, politiques et réalité opérationnelle d'une organisation spécifique. Le cadrage le plus propre : un knowledge graph est la bibliothèque ; un context graph est le manuel opérationnel écrit par les personnes qui gèrent l'endroit.
Ce qui distingue le context graph, c'est que la gouvernance vit dans le graphe. Les politiques, permissions, fenêtres de validité et règles d'autorisation sont des nœuds que le graphe lui-même interroge, et non une documentation externe appliquée en périphérie. Le résultat est la récupération gouvernée : les requêtes renvoient des informations déjà filtrées par l'autorisation actuelle et l'applicabilité.
Cela est passé d'infrastructure invisible à vocabulaire de procurement d'entreprise lorsque Google a introduit le Knowledge Catalog à Google Cloud Next '26 — un context graph unifié et dynamique de l'activité d'un client qui ancre les agents d'entreprise dans les propres données du client. Gartner projette que 40 % des applications d'entreprise comporteront des agents IA spécifiques à des tâches d'ici fin 2026, contre moins de 5 % en 2025. Ces agents — qui gèrent le procurement, l'intelligence concurrentielle, l'évaluation de vendeurs — ne raisonneront pas sur votre marque depuis le web ouvert. Ils raisonneront sur vous depuis l'intérieur du context graph de leur entreprise.
La question à laquelle cette couche répond : quand un agent à l'intérieur d'une entreprise cliente raisonne sur notre marque, que trouve-t-il, et la version qu'il trouve est-elle celle avec laquelle nous voudrions qu'il agisse ?
Où Aurora joue
Les trois couches ont chacune besoin de preuves différentes, et Aurora est structuré pour fournir chacune à tour de rôle.
Couche de récupération. Aurora exécute des prompts planifiés contre ChatGPT, Perplexity, Gemini, Google AI Mode, Google AI Overviews, Copilot et Claude, capture les réponses brutes et extrait citations et mentions de marque. Cela vous dit si la couche de récupération vous trouve — par prompt, par moteur, par concurrent.
Couche knowledge graph. La source intelligence d'Aurora consolide les domaines que les moteurs traitent comme autoritaires dans votre catégorie, exposant les surfaces tierces qui nourrissent les définitions d'entités. Le scoring de visibilité de marque capture les mentions paraphrasées et les alias que le tracking de citations pur manque — la surface où le renforcement d'entité se produit.
Couche context graph. Cette couche est en amont et plus difficile à mesurer directement parce qu'elle vit à l'intérieur des entreprises clientes. Le levier est d'arriver au context graph dans un état propre : positionnement de catégorie cohérent, données structurées fiables, signaux tiers robustes. Les vues concurrents et source intelligence d'Aurora font apparaître là où votre marque est fragmentée à travers les médias owned et earned, ce qui est la cause amont d'une représentation ambiguë en aval.
Arrêtez de résoudre la mauvaise couche
La plupart des équipes se concentrent sur l'optimisation de la couche de récupération tout en perdant du terrain sur le travail knowledge graph et en restant absentes des conversations sur le context graph. Les équipes qui gagnent en 2026 sont celles qui trouvent comment opérer à travers les trois zones de responsabilité plutôt que de perfectionner leur travail sur une seule.
Le diagnostic vient en premier. La solution suit le diagnostic. Plus de contenu est parfois la bonne réponse. C'est rarement la réponse quand le problème sous-jacent est une définition d'entité floue ou une invisibilité de récupération gouvernée.
