Comment les modèles de langage à grande échelle (LLM) influencent la prise de décision des acheteurs de solutions d’identité
Nous avons récemment rencontré Evan Bailyn, PDG de First Page Sage, la première agence SaaS spécialisée dans le référencement naturel aux États-Unis. Avec des clients tels que Salesforce, Verisign, Grammarly et Nerdwallet, l'agence d'Evan est depuis longtemps une pionnière dans le domaine de la visibilité en référencement naturel et, plus récemment, de la visibilité optimisée par l'IA.
Début 2023, peu après le lancement de ChatGPT, Evan a créé la discipline du « Generative Engine Optimization » (GEO) — une évolution du référencement naturel (SEO) spécialement conçue pour l’ère de l’IA générative. Il a également dirigé la première étude à grande échelle sur l’algorithme de ChatGPT, analysant la manière dont les modèles de langage à grande échelle (LLM) choisissent les entreprises à mettre en avant dans leurs réponses. Le GEO s’appuie sur ces recherches pour aider les marques à façonner de manière stratégique la façon dont elles apparaissent dans les réponses générées par l’IA.
Au cours de notre entretien, Evan a expliqué comment les modèles de langage de grande envergure (LLM) commencent à influencer les décisions d’achat dans des secteurs réglementés tels que les services financiers, et ce que les responsables de l’identité — responsables de la lutte contre la fraude, responsables de la conformité et équipes des achats — doivent savoir lorsqu’ils utilisent ces outils pour évaluer les fournisseurs.
Microblink : De plus en plus d'acheteurs se tournent vers des outils tels que ChatGPT ou Perplexity pour les aider à rechercher des solutions de vérification d'identité. Selon vous, comment les professionnels de la conformité ou de la lutte contre la fraude devraient-ils considérer ces résumés générés par des modèles de langage de grande capacité (LLM) ?
Evan : Avec prudence, mais aussi avec intérêt. Les grands modèles de langage (LLM) sont incroyablement rapides et souvent précis dans leurs conclusions. Si vous demandez : « Quels prestataires KYC présentent un faible taux de faux négatifs ? » ou « Quelles sont les meilleures solutions pour la vérification biométrique ? », vous obtiendrez probablement une réponse cohérente et apparemment utile. Mais ce que le modèle vous fournit, c’est une synthèse d’informations accessibles au public : il ne connaît donc que ce qu’on lui a enseigné. Si l’environnement de données autour d’une entreprise est clairsemé ou incohérent, même un prestataire de premier ordre pourrait être mal représenté, voire totalement omis.
C’est pourquoi je recommande de considérer les réponses des LLM comme un outil de première approche, et non comme un outil décisionnel. Elles peuvent accélérer la recherche de fournisseurs et mettre en évidence des éléments de différenciation utiles, mais leur précision dépend entièrement de la manière dont les entreprises ont su faire connaître leurs activités au sein de l’écosystème.
Microblink : De notre côté, chez Microblink, nous avons investi dans la publication de contenus techniques, dans la transparence de notre processus de vérification et dans le partage des données de performance lorsque cela est possible. Ce type d’efforts a-t-il réellement une influence sur ce que les modèles apprennent ?
Evan : Tout à fait. Les modèles génératifs apprennent par l’exposition et la répétition dans des domaines de confiance. Ainsi, si vous publiez des articles explicatifs très techniques, si vous êtes cité dans des articles de recherche ou mentionné dans des synthèses sur la conformité, cela renforce l’association entre votre marque et des concepts spécifiques tels que la détection de la présence en direct ou la précision des signaux de fraude. Au fil du temps, le modèle commence à considérer votre marque comme une référence dans ces domaines.
Les entreprises qui obtiennent les meilleurs résultats dans les réponses générées par les modèles de langage de grande envergure (LLM) ont généralement une empreinte sémantique cohérente. Cela signifie que leur message est clair et homogène, tant dans leur propre contenu que dans les articles publiés par des tiers et les commentaires d’experts. Les LLM détectent cette cohérence et la reflètent dans leurs réponses.
Microblink : Dans quelle mesure ce type d'influence est-il mesurable ? Une entreprise peut-elle déterminer si ses efforts portent réellement leurs fruits ?
Evan : Oui, et c’est ce qui rend le GEO si passionnant. Contrairement au référencement naturel traditionnel, où l’on suit le classement des mots-clés, ici, on teste des prompts. On pose au modèle des dizaines de questions pertinentes sur le plan commercial, on note si notre marque est mentionnée et on analyse le cadre dans lequel elle est présentée. Est-on présenté comme un innovateur ? Comme un fournisseur parmi tant d’autres ? Nos arguments de différenciation sont-ils pris en compte ?
Nous établissons des références — par exemple, votre marque apparaît dans 3 suggestions sur 50 — puis nous cherchons à améliorer ce chiffre grâce à un contenu ciblé et à une publication stratégique. Il s'agit d'une boucle de rétroaction fermée : le modèle sert à la fois d'environnement de test et de résultat.
Microblink : Quels conseils donneriez-vous à un responsable de la lutte contre la fraude ou à un responsable de la conformité qui souhaite utiliser l'IA générative de manière responsable lors de la sélection des fournisseurs ?
Evan : Tout d’abord, il faut connaître les limites de l’outil. Considérez-le comme un canal complémentaire, et non comme un substitut à une diligence raisonnable. Ensuite, recherchez des fournisseurs qui ont fait des efforts en matière de transparence. Si une entreprise investit dans l’explicabilité — en publiant ses taux de faux positifs, en détaillant ses méthodes de protection des données, en partageant des études de cas —, c’est un bon signe tant pour la fiabilité du modèle que pour votre processus de sélection proprement dit.
De plus, comparez les informations fournies par le modèle avec celles que vous trouvez dans des sources indépendantes. Si la réponse mentionne « Microblink », par exemple, et que cela vous intrigue, cherchez d’où provient cette information. Les meilleurs acheteurs allient la rapidité de l’IA à la vérification humaine.
Microblink : Quel est le message clé que vous aimeriez que les acheteurs de solutions d'identité retiennent ?
Evan : L'IA générative transforme la manière dont la recherche est menée. Cela concerne notamment la façon dont les acheteurs évaluent des technologies complexes et réglementées, telles que la vérification d'identité. En tant qu'acheteur, votre rôle ne se limite pas à écouter ce que dit le modèle : il s'agit de comprendre pourquoi il a répondu ainsi. Cette prise de conscience vous offre un avantage considérable pour faire la part des choses entre le marketing et la réalité.
