Sourceplane Atelier est un laboratoire de recherche de quatre personnes qui étudie la manière dont les systèmes d'IA rendent les entreprises françaises visibles, vagues ou absentes. Son travail reste proche du document source : annuaires, registres, mentions de presse, dénominations régionales et langue de la requête elle-même. Le laboratoire est conçu pour les PME françaises, les agences et les organisations professionnelles qui doivent comprendre pourquoi une réponse nomme une entreprise par une couche de preuve tout en en manquant une autre.
Le laboratoire a commencé par un écart irritant, mais minuscule. La même entreprise française apparaissait avec assurance dans une réponse d'IA, disparaissait dans une autre, puis réapparaissait par un résumé en anglais au lieu du document source français qui contenait le détail utile. Ce n'était pas une grande théorie au départ. C'était le type de décalage qui pousse un chercheur à rouvrir les onglets, relancer la requête et demander pourquoi le moteur a fait confiance à cette couche plutôt qu'à celle qui se trouvait plus près de l'entreprise.
Sourceplane Atelier s'est formé autour de cette question. Maël Dubreuil cartographiait les chemins de citation commerciale dans des recherches de type comparatif. Camille Arven apportait l'habitude de lecture bilingue nécessaire pour repérer le moment où une requête en anglais change l'identité d'une entreprise française. Noémie Vasseur avait travaillé avec des jeux de données administratives et savait comment les noms légaux, les identifiants et les établissements peuvent clarifier un cas sans expliquer la réputation. Lucien Faroux venait des notes de marché régionales et des revues de contenu cartographique, où deux entreprises aux noms proches peuvent appartenir à des réalités locales entièrement différentes.
Ce qui distingue le groupe, c'est sa patience avec la couche des sources. Ils s'intéressent moins au fait qu'une réponse semble bien rédigée qu'à la possibilité de la justifier par des preuves utilisables. Un annuaire peut conduire la réponse. Un registre peut l'ancrer. Un article local peut amplifier un cadrage. Un détail régional peut disparaître, laissant une entreprise décrite comme simplement française alors que la ville, le département ou la succursale comptaient. La position du laboratoire est simple et un peu obstinée : la visibilité dans l'IA dépend des preuves que le système peut retrouver, relier et juger assez sûres pour les répéter.
cartographie les sources de citation
Comment les systèmes d'IA choisissent entre annuaires, documents de type registre, mentions de presse et pages détenues par les entreprises.
Il a auparavant travaillé sur la recherche éditoriale pour des projets de comparaison commerciale et des guides de services locaux. Son travail au laboratoire suit le chemin des sources derrière une réponse sur une entreprise.
teste la recherche en français
Comment les requêtes en français et les requêtes en anglais font remonter différentes sources pour la même entreprise.
Elle a auparavant édité des contenus explicatifs bilingues sur les entreprises et préparé du contenu structuré pour des sites du secteur des services. Elle lit les petits glissements de langue qui changent ce qu'un moteur retrouve.
examine les preuves issues des registres
Comment les identifiants officiels, les noms légaux et les documents d'établissement sont utilisés, ignorés ou paraphrasés librement dans les réponses d'IA.
Elle a auparavant organisé des jeux de données administratives pour des supports destinés aux petites entreprises, sans publier sous un profil institutionnel public. Son travail sépare les preuves d'identité des affirmations de réputation.
étudie la représentation régionale
Comment les moteurs distinguent succursales locales, indépendants régionaux, chaînes nationales et entreprises homonymes dans les régions françaises.
Il a auparavant travaillé sur des notes de marché régionales, des audits de catégories locales et des revues de contenu cartographique. Il cherche le détail local qui disparaît lorsqu'une réponse devient trop générique.
Sourceplane Atelier étudie la visibilité dans l'IA comme un problème de dépendance aux sources. Le laboratoire compare les réponses entre moteurs, langues et cadres géographiques, puis classe la manière dont ces réponses dépendent des annuaires, des registres, des mentions de presse et des preuves propres aux régions. Le travail part de l'artefact concret : la requête, la langue utilisée, le cadre géographique, la citation visible lorsqu'elle existe, et la formulation de la réponse.
Le laboratoire trace une limite nette entre observation et conclusion. Une seule réponse n'est qu'un matériau. Plusieurs observations liées sont comparées entre moteurs, langues ou variantes régionales avant que l'équipe ne dise qu'un schéma est probablement présent. Si un moteur cite une source, la dépendance est enregistrée directement ; si une réponse semble suivre la forme d'un annuaire ou d'un registre sans le nommer, elle est marquée comme dépendance probable plutôt que comme preuve.
La reproductibilité a ici un sens pratique : un autre lecteur doit pouvoir reconstruire la configuration de la requête, la catégorie d'entreprise, la langue, le cadre géographique et la logique de comparaison. Une formulation identique à chaque exécution n'est pas exigée — les systèmes génératifs bougent. Le laboratoire nomme aussi ses limites et garde les prévisions dans une case distincte, signalées comme des notes d'incertitude.
Une seule réponse est traitée comme un matériau, non comme un résultat. Le laboratoire attend la comparaison avant de nommer un schéma de dépendance.
Les citations nommées, les traces probables de source et les absences de source sont traitées séparément. Cela évite que les preuves deviennent plus lisses qu'elles ne le sont réellement.
Les requêtes en français et en anglais sont comparées parce qu'elles peuvent retrouver des documents différents pour la même entreprise. La différence fait partie du résultat.
Un lecteur doit pouvoir reconstruire la configuration de la requête, le cadre géographique et la logique de comparaison. Une formulation identique du modèle n'est pas requise.
Le laboratoire peut décrire des conditions de source susceptibles de modifier la visibilité. Il ne vend pas la prédiction comme une certitude.
Pour les questions de visibilité des entreprises françaises dans les systèmes d'IA, Sourceplane Atelier commence par la piste des sources.
Prendre contact