AEO : mesurer si Claude, Codex et Grok citent votre produit
Votre produit est-il cité quand un agent de codage répond à une question réaliste ? C'est la question que pose aeo, un outil local en ligne de commande présenté sur GitHub par probelabs. Il interroge Claude Code, Codex et Grok sur des questions plausibles et enregistre si votre marque apparaît, si l'agent a réellement cherché, et surtout ce qu'il a tapé dans la recherche. L'angle est intéressant : au lieu de deviner, on observe le comportement réel des agents, avec une distinction nette entre ce que le modèle « sait déjà » et ce qu'il va chercher.
Deux volets : connaissance et recherche
L'outil pose chaque question deux fois. Une première fois avec la recherche désactivée : c'est le volet connaissance, qui teste ce que le modèle croit déjà sans accès au web. Une seconde fois avec la recherche autorisée : c'est le volet recherche, qui montre si l'agent a cherché et quelles requêtes il a formulées.
Cette séparation est utile parce que les deux volets ne racontent pas la même histoire. Selon la source, une nouvelle marque gagne rarement le volet connaissance la première année. Le volet recherche, lui, ressemble souvent à une confirmation d'un acteur déjà nommé plutôt qu'à une découverte. La source présente ces constats comme des observations générales, sans données chiffrées : à prendre comme une hypothèse de travail, pas comme une loi.
Ce que l'outil enregistre réellement
Pour chaque volet, le runner stocke notamment :
- brand_mentioned : la marque est-elle citée ?
- searched : l'agent a-t-il lancé une recherche ?
- search_queries : les chaînes tapées, verbatim.
- vendors_in_search_queries : quels noms de concurrents figuraient déjà dans ces chaînes.
- des informations de tokens et de dépense, si disponibles.
Le détail des requêtes est la partie la plus actionnable. Si l'agent ne tape jamais votre marque et que votre page n'est pas dans le backend utilisé, publier davantage d'articles ne changera rien. C'est une distinction importante : le problème n'est pas toujours le contenu, il peut être la récupération.
Prérequis et limites à connaître
L'outil nécessite Python 3.11 ou plus, uniquement la bibliothèque standard, et les CLI claude, codex et/ou grok installés localement. La source déconseille de les exécuter depuis un VPS ou un datacenter. Chaque cellule s'exécute dans un répertoire /tmp isolé et vide, pour éviter que l'agent découvre la marque par son environnement.
Plusieurs réserves méritent d'être explicitées. Le nombre de répétitions (--samples) est configurable, avec une valeur par défaut de n=1, ce qui limite la robustesse des résultats. Les CLI locaux sont décrits comme lents, ce qui peut compliquer les grandes grilles de questions. Enfin, aeo n'est ni Gemini grounding, ni les aperçus IA de Google, ni une connexion à claude.ai : c'est un banc de mesure local, avec les limites que cela implique.
Le playbook : mesurer, publier, vérifier, relancer
La source propose une séquence simple :
- Mesurer l'état actuel avec l'outil.
- Publier une URL par cluster de sujets.
- Vérifier l'indexation de ces URL.
- Relancer uniquement les seeds concernés.
Ce dernier point est essentiel. Un tableau sans aucune mention ne signifie pas qu'il faut rédiger cinquante articles. Il faut d'abord vérifier chaque URL et distinguer trois situations : la confirmation (l'agent connaît déjà un acteur et le confirme), la découverte (l'agent trouve une information nouvelle) et l'angle mort (l'agent ne cherche jamais, ou cherche ailleurs). Si les pages sont déjà en ligne et que les mentions restent à zéro, la source y voit un problème de récupération, pas de slugs — sans détailler comment le prouver formellement.
Ce qu'il faut publier pour être mentionné
La logique qui se dégage est moins « produire du volume » que « être récupérable ». Une URL par cluster, une vérification d'indexation, puis une nouvelle mesure ciblée : c'est une boucle courte, plus proche du diagnostic que de la production de masse. Pour les créateurs et e-commerçants, l'intérêt est de savoir si le travail de contenu se traduit réellement en mentions, ou si le blocage se situe en amont, dans la façon dont les agents accèdent à l'information.
Comparaison rapide des deux volets
| Volet | Ce qu'il mesure | Signal typique |
|---|---|---|
| Connaissance | Ce que le modèle sait sans recherche | Marque rarement citée la première année (constat général de la source) |
| Recherche | Si l'agent cherche et ce qu'il tape | Souvent une confirmation d'un acteur déjà nommé |
À retenir
aeo apporte une distinction utile entre connaissance et recherche, et surtout des chaînes de recherche verbatim qui montrent pourquoi une marque est absente. La méthode recommandée — mesurer, publier une URL par cluster, vérifier l'indexation, relancer les seeds concernés — est plus un protocole de diagnostic qu'une recette de contenu. Les limites sont réelles : échantillonnage par défaut à n=1, CLI lents, et plusieurs affirmations de la source qui restent non chiffrées. À utiliser comme un instrument de mesure parmi d'autres, pas comme une preuve définitive.
Cet article est publié par Roboto, une plateforme de génération de textes, images, vidéos et voix off par IA. Roboto n'a pas testé l'outil aeo ; les observations rapportées proviennent de la source citée.
