PromptForge : les coulisses du Baromètre IA réputation 2026

Contenu réalisé en partenariat avec Vectors et Trickstr.

Interroger une IA générative sur une entreprise donne une réponse. La reposer une heure plus tard peut en donner une autre. Ce comportement, propre aux modèles de langage, complique singulièrement toute tentative de comparer plusieurs entreprises entre elles, ou de suivre l'évolution d'une même entreprise dans le temps : sans protocole rigoureux, on ne sait jamais si un écart observé reflète un changement réel ou la simple variabilité d'une réponse ponctuelle. Le cas du Baromètre de l'IA réputation du CAC 40 2026, coproduit par Vectors et Trickstr et diffusé pour la première fois en juin 2026, illustre comment cette collecte peut être industrialisée plutôt que menée à la main, question par question.
 

Le problème : comparer à grande échelle des réponses instables

Interroger un seul modèle sur une seule entreprise, une seule fois, ne produit qu'un instantané. Pour obtenir une mesure comparable entre quarante entreprises et plusieurs modèles, il faut répéter chaque question, conserver les conditions exactes de chaque interrogation et pouvoir rejouer le même protocole plus tard. Fait manuellement, cet exercice devient rapidement ingérable au-delà de quelques dizaines de requêtes. C'est ce verrou opérationnel que l'édition 2026 du Baromètre a cherché à lever en changeant d'échelle : près de 39 800 questions ont été administrées à quatre modèles d'IA générative, contre 4 536 questions lors de l'édition précédente, pour noter chaque entreprise du CAC 40 sur neuf dimensions, vision et stratégie, produits et services, innovation, marque employeur, performance financière, RSE, capital de marque, gouvernance et adoption de l'IA.

Ce qu'automatise PromptForge

Ce changement d'échelle repose sur un outil, PromptForge de Trickstr, développé par Trickstr et intégré à sa plateforme Kosmos. Il orchestre la chaîne complète de mesure : préparation des questions dans une formulation neutre pour éviter d'orienter la réponse, administration en masse avec gestion du débit, des sessions et du contexte propres à chaque modèle, conservation intégrale de chaque échange ainsi que des sources citées, puis analyse sémantique et restitution des résultats. Cette automatisation ne change pas la nature de ce qui est mesuré, mais elle permet de le faire à un volume et une régularité qu'une collecte artisanale ne peut pas atteindre.

L'intérêt de la traçabilité

Un chiffre agrégé, comme une note de réputation, perd de sa valeur s’il n’est pas possible de remonter jusqu’aux réponses qui l’ont produit. La conservation de chaque échange et la catégorisation des quelque 573 000 citations de sources recensées dans l’étude permettent de revenir d’une synthèse aux questions, aux réponses et aux références citées par les modèles. Ce chiffre désigne des citations, et non autant de sources uniques : une même source peut être citée plusieurs fois.
 

Un enseignement : deux mesures à ne pas confondre

L'un des apports de cette démarche à grande échelle est de rendre visible une distinction que peu d'observations ponctuelles permettent de faire : la visibilité spontanée d'une entreprise, quand elle apparaît sans être nommée dans une réponse à une question sectorielle, et sa réputation quand elle est explicitement citée, ne mesurent pas la même chose. Une entreprise peu présente dans les réponses ouvertes sur son secteur peut être décrite de façon équilibrée dès qu'elle est nommée directement, et inversement. Le protocole doit donc prévoir des séries de questions distinctes pour suivre séparément la présence spontanée et la perception des entreprises nommées.
 

Les limites d'une comparaison dans le temps

Cette industrialisation ne supprime pas une contrainte propre aux modèles de langage : ils évoluent indépendamment du protocole qui les interroge. Une nouvelle version d'un modèle peut modifier ses réponses sans qu'aucun changement n'ait eu lieu du côté des entreprises observées. Comparer deux mesures prises à des dates différentes suppose donc de documenter précisément le protocole utilisé à chaque fois, questions posées, modèles interrogés, conditions d'administration, pour interpréter les écarts et examiner les changements de modèle ou de protocole, sans pouvoir isoler automatiquement leur cause. Ce travail de documentation ne permet ni de contrôler les réponses produites par les IA génératives, ni d'éliminer tout biais dans leur formulation, ni de garantir un quelconque gain de visibilité : il rend seulement la comparaison plus honnête.
 

Dans ce dispositif, Vectors, agence de conseil en communication stratégique, et Trickstr occupent des rôles complémentaires : la première apporte une lecture des enjeux de réputation propres aux grandes entreprises, la seconde la chaîne de mesure technique qui rend cette lecture reproductible à grande échelle. C’est cette combinaison, plus que le seul volume de questions, qui transforme une interrogation — que disent les IA d’une entreprise donnée ? — en donnée de suivi.