J’ai demandé aux IA qui j’étais. Leur réponse m’a obligé à reconstruire ma présence numérique
Que sait réellement une intelligence artificielle de vous ? Pas seulement ce que vous racontez sur LinkedIn ou dans votre CV, mais ce qu’elle parvient à retrouver, relier, hiérarchiser et restituer. J’ai décidé de faire l’expérience sur le cas que je connaissais le mieux : moi-même. Elle m’a conduit à exhumer des archives vieilles de trente ans, à vérifier des souvenirs professionnels, à renoncer à certaines affirmations pourtant avantageuses et à découvrir une règle simple : à l’âge des IA, une carrière n’existe vraiment en ligne que si elle est identifiable, documentée, reliée et corroborée.
Le test qui change tout
Tout a commencé par une question d’une banalité presque déconcertante :
« Qui est Bertrand Jouvenot ? »
Posée à différentes intelligences artificielles, elle produit des réponses plutôt convaincantes. Elles retrouvent des éléments de mon parcours, mes livres, certaines entreprises pour lesquelles j’ai travaillé, mes activités de consultant, d’auteur ou d’enseignant. Certaines réponses sont meilleures que d’autres. Quelques dates manquent. Des pans entiers du parcours disparaissent tandis que d’autres prennent une importance surprenante.
Mais le véritable problème n’était pas là.
En donnant mon nom dans la question, je fournissais déjà aux IA la moitié de la réponse.
J’ai donc commencé à poser des questions différentes :
« Quel consultant français combine marketing, digital et transformation des organisations ? »
Ou encore :
« Qui peut accompagner une direction générale dans une transformation mêlant business, digital, marketing et intelligence artificielle ? »
Cette fois, rien n’oblige la machine à penser à moi.
Et c’est là que le sujet devient beaucoup plus intéressant.
Il existe en réalité deux niveaux de visibilité dans les intelligences artificielles.
Le premier consiste à être correctement décrit lorsqu’on vous cherche.
Le second, beaucoup plus exigeant, consiste à être identifié alors même que personne n’a donné votre nom.
Autrement dit : passer d’une personne que l’IA sait décrire à une personne que l’IA sait trouver.
C’est en essayant de comprendre comment franchir cette frontière que j’ai progressivement cessé de travailler sur ma « présence numérique » pour commencer à travailler sur quelque chose de différent : la représentation que les machines construisent d’une personne.
Et le chantier s’est révélé beaucoup plus profond que prévu.
Pour quoi voulez-vous réellement être identifié ?
Le premier problème n’était pas technique. Il était sémantique.
Pour quoi voulais-je être trouvé ?
« Marketing » ? Trop vaste.
« Digital » ? Après trente ans de transformation numérique, le mot recouvre presque tout.
« Intelligence artificielle » ? Elle occupe désormais une place importante dans mon travail, mais prétendre qu’elle résume une carrière commencée en 1996 serait une reconstruction rétrospective.
« Consultant » ? C’est un statut, pas un territoire intellectuel.
Il fallait donc faire quelque chose que les CV font assez mal : chercher la cohérence derrière la succession des fonctions.
Un indice se trouvait au tout début de l’histoire.
En 1996, dans le cadre de mon DESS Marketing à l’Université Paris 1 Panthéon-Sorbonne, j’avais consacré mon mémoire à L’impact des Nouvelles Technologies de l’Information et de la Communication sur le marketing.
Puis étaient venus Club-Internet, Alcatel, PPR/Redcats, Celio, Cerruti, Altares, le conseil, les livres, l’enseignement, les conférences et, plus récemment, l’intelligence artificielle.
Les technologies avaient changé. Les fonctions aussi.
Mais quelque chose revenait : observer ce qu’une technologie nouvelle déplace dans un marché ou une organisation, l’expérimenter, essayer de la faire fonctionner réellement, puis comprendre et transmettre ce que cette expérience nous apprend.
Le premier enseignement de mon expérience GEO était donc paradoxal : pour être compris par une machine, il fallait commencer par accomplir un travail profondément humain.
Choisir ce que l’on veut signifier.
C’est le P : Positionner.
Une IA ne voit pas un CV, elle voit des relations
Un CV aurait raconté mon parcours chronologiquement.
Club-Internet, puis Alcatel, puis PPR, puis Celio, puis Cerruti, puis Altares…
Mais cette succession dit peu de choses à une machine si elle ne peut pas comprendre les relations entre ces expériences.
Chez Club-Internet, au milieu des années 1990, Internet devient déjà un terrain d’expérimentation commerciale.
Chez Alcatel, la question devient : peut-on accéder à Internet autrement que depuis un ordinateur ? Je travaille alors au lancement du WebTouch One, qu’Alcatel présentera dans son document de référence 1999 comme « le premier téléphone Internet commercialisé dans le monde ».
Chez Redcats, l’e-commerce change d’échelle : il faut désormais l’organiser à travers plusieurs enseignes.
Chez Celio, le numérique ne sert plus seulement à vendre en ligne. La presse professionnelle documente dès 2005 son utilisation pour recruter des contacts et générer du trafic vers les magasins. Avec vousleshommes.com, la marque expérimente également le contenu et la communauté.
Plus tard, le sujet s’élargit encore à la transformation des entreprises, puis à l’intelligence artificielle et à la relation entre humains et machines.
Présentées comme une liste, ces expériences forment une carrière.
Reliées entre elles, elles commencent à former un territoire.
C’est une distinction fondamentale.
Le CV raconte le temps. Le graphe raconte le sens.
Une personne existe en ligne à travers des relations : une personne a travaillé pour une organisation, participé à une réalisation, écrit un livre, développé une expertise, enseigné dans une institution, publié dans un média, été citée par une autre source.
Personne ↔ organisation ↔ réalisation ↔ expertise ↔ œuvre ↔ média ↔ institution.
Plus ces relations sont explicites, cohérentes et documentées, plus une machine dispose de matière pour comprendre ce que cette personne représente.
C’est le R : Relier.
Puis j’ai commencé à enquêter sur moi-même
C’est ici que l’expérience est devenue étrange.
Je connaissais évidemment mon propre parcours. Mais le connaître ne signifiait pas pouvoir le prouver.
Reprenons mon mémoire de 1996.
J’en connaissais le titre. Je me souvenais de l’avoir écrit dans le cadre du DESS Marketing de Paris 1. Je savais qui l’avait dirigé.
Mais où était-il ?
Je n’en avais pas immédiatement un exemplaire sous la main. Et une autre affirmation, plus séduisante, circulait dans mes propres traces biographiques : ce travail aurait été particulièrement précoce parmi les mémoires consacrés à Internet à Paris 1.
Deux affirmations en apparence proches.
Deux situations documentaires complètement différentes.
J’ai donc commencé à chercher.
Puis j’ai écrit à Paris 1.
Le 31 août 2026, le service chargé des catalogues des bibliothèques de l’université m’a répondu : le mémoire est bien référencé dans le Sudoc sous l’identifiant 02855311X et un exemplaire est stocké au CTLes. Paris 1 m’a orienté vers la Bibliothèque interuniversitaire de la Sorbonne pour tenter d’y accéder.
J’ai écrit à la BIS.
Trente ans après sa rédaction, mon mémoire était devenu l’objet d’une petite enquête documentaire.
Mais surtout, quelque chose venait de changer.
« J’ai écrit ce mémoire en 1996 » était un souvenir.
L’identifiant Sudoc, la confirmation de Paris 1 et la localisation au CTLes en faisaient désormais un fait documenté.
En revanche, son éventuelle primauté parmi les travaux consacrés à Internet à Paris 1 n’était toujours pas démontrée.
Donc je ne pouvais pas l’affirmer.
Voilà peut-être la différence la plus importante entre une démarche de personal branding classique et celle que j’étais en train de construire.
Le réflexe du personal branding consiste souvent à chercher la formulation la plus avantageuse compatible avec son histoire.
La démarche que j’expérimentais cherchait plutôt la formulation maximale autorisée par l’état de la preuve.
C’est très différent.
C’est le premier E : Établir.
Toutes les preuves ne se valent pas
En poursuivant le travail, une autre difficulté est apparue.
Une information n’acquiert pas soudainement la même valeur parce qu’une URL permet de la retrouver.
Prenons Club-Internet.
Je dispose de traces anciennes décrivant mes fonctions dans l’e-commerce et le travail réalisé autour de l’espace shopping. Elles sont utiles. Mais certaines proviennent de profils professionnels que j’avais moi-même renseignés.
Elles documentent quelque chose. Elles ne constituent pas pour autant une validation indépendante de chacune des affirmations qu’elles contiennent.
Alcatel offre un cas différent.
Il serait évidemment tentant d’écrire :
« J’ai lancé le premier téléphone Internet au monde. »
La phrase est formidable.
Elle est aussi méthodologiquement mauvaise.
Ce que les pièces permettent d’établir est plus précis : j’ai travaillé au lancement international du WebTouch One et Alcatel lui-même présente, dans son document de référence 1999, le WebTouch One comme « le premier téléphone Internet commercialisé dans le monde ».
La différence paraît minuscule.
Elle est considérable.
Dans le premier cas, je transforme une qualification concernant un produit en revendication personnelle.
Dans le second, je distingue mon rôle de la qualification que l’entreprise donne à son produit.
La formulation est un peu moins spectaculaire. La crédibilité est beaucoup plus forte.
Chez Celio, la situation documentaire change encore. Des articles de presse professionnelle contemporains racontent les expérimentations menées autour d’Internet, du trafic en magasin, de la collecte de contacts et du marketing multicanal. Les faits ne reposent donc plus uniquement sur ce que j’en raconte aujourd’hui.
J’ai progressivement compris qu’il fallait regarder non seulement combien de traces existaient, mais qui parlait, quand, pourquoi et à partir de quelle position.
Une biographie personnelle, un ancien profil professionnel, une archive d’entreprise, un article de presse contemporain et une source institutionnelle ne sont pas interchangeables.
Le GEO personnel n’est donc pas seulement un problème de quantité d’informations.
C’est un problème de qualité et d’architecture de la preuve.
Le référentiel comme back-office de l’identité numérique
Un autre problème apparaît lorsqu’on commence à exhumer trente ans de traces : elles ne racontent pas toujours exactement la même histoire.
Un ancien profil utilise un intitulé.
Une biographie d’auteur en emploie un autre.
Une école résume l’expérience en trois lignes.
Un éditeur privilégie les livres.
LinkedIn privilégie les fonctions.
Un site personnel développe davantage les réalisations.
Certaines dates diffèrent légèrement. Une entreprise a changé de nom. PPR est devenu Kering. Une fonction compréhensible en 2002 ne l’est plus nécessairement de la même manière en 2026.
La tentation serait de copier partout la même biographie.
Ce serait une erreur.
Unifier ne signifie pas dupliquer.
Une page destinée à un éditeur, une école, un client potentiel ou un lecteur n’a aucune raison d’être identique.
En revanche, toutes doivent pouvoir renvoyer à la même réalité sous-jacente.
Les dates fondamentales doivent être compatibles. Les organisations correctement nommées. Les titres des ouvrages stables. Les réalisations importantes décrites sans contradictions. Les domaines d’expertise reliés aux éléments qui permettent de les établir.
C’est pour cette raison que j’ai progressivement construit ce que j’appelle mon référentiel professionnel.
Il ne s’agit pas d’un CV supplémentaire.
C’est la couche située derrière les CV, les biographies, les pages Web et les autres expressions publiques du parcours.
En quelque sorte :
Le référentiel est le back-office de l’identité numérique.
C’est le U : Unifier.
Le moment où les autres commencent à parler
Restait une étape décisive.
Tout ce que je publie sur mon propre site contribue à expliquer qui je suis.
Mais une affirmation change de nature lorsqu’elle rencontre des traces indépendantes.
Prenons l’intelligence artificielle.
Il serait aujourd’hui très facile d’ajouter « IA » à une biographie. Des milliers de profils l’ont fait depuis l’arrivée de ChatGPT.
La question intéressante devient donc : quelles traces permettent d’établir la profondeur de cette relation au sujet ?
Dans mon cas, certaines remontent à plusieurs années avant ChatGPT.
En 2018, des textes publiés sur Gouvernance.news s’interrogent déjà sur la pluralité des intelligences artificielles et sur le paradoxe de Moravec, donc sur la répartition des tâches entre humains et machines.
En 2020, je publie une réflexion sur la manière de se préparer à interagir avec une intelligence artificielle.
Le 17 mars 2021, HackerNoon publie sous ma signature A Matrix for Symbiotic Collaborations Between Humans and Machines.
Quelques mois plus tard, dans le Journal du Net, je défends l’idée que l’IA progressera probablement lorsqu’elle cessera de chercher à imiter l’intelligence humaine, comme l’aviation avait progressé lorsqu’elle avait cessé d’essayer d’imiter les oiseaux.
Aucun de ces textes ne permet d’écrire que j’avais « prévu ChatGPT ».
Ce serait précisément contraire à la méthode.
Ils permettent en revanche d’établir quelque chose de plus sobre et de plus solide : avant que l’IA générative ne devienne un phénomène de masse, la relation entre intelligence humaine et intelligence machine constituait déjà un objet récurrent de mon travail.
Et parfois, une trace produit une surprise supplémentaire.
En 2019, un rapport d’information du Sénat français consacré à l’accompagnement de la transition numérique des PME cite en note de bas de page l’un de mes articles, L’IOT c’est fini ! Vive l’IOE (Internet Of Everything).
Cela ne signifie pas que le Sénat a adopté mes idées.
Cela signifie exactement ce que la pièce permet de dire : un de mes textes est utilisé comme source dans un rapport du Sénat.
Rien de plus.
Mais rien de moins.
J’en suis arrivé à une règle simple :
Ce que vous dites de vous produit de l’information. Ce que des sources indépendantes établissent ou corroborent à votre sujet change la qualité de cette information.
C’est le V : Valider.
Le dernier E est celui que l’on oublie facilement
On pourrait s’arrêter là.
Revoir son positionnement. Restructurer son site. Documenter ses réalisations. Harmoniser ses biographies. Rechercher des sources tierces.
Puis considérer le travail terminé.
Ce serait appliquer au GEO les vieux réflexes du Web : publier, optimiser et attendre.
Or nous disposons désormais de quelque chose d’inédit : nous pouvons interroger directement les systèmes dont nous cherchons à influencer la compréhension.
J’ai donc transformé les questions du début en instruments de mesure.
Le premier indicateur est relativement simple.
Je demande régulièrement aux IA :
« Qui est Bertrand Jouvenot ? »
Je regarde alors ce qu’elles associent à mon nom, les erreurs éventuelles, les dimensions qu’elles privilégient, celles qu’elles oublient et la manière dont elles structurent mon parcours.
Mais le deuxième indicateur m’intéresse davantage.
Je retire mon nom.
« Quel consultant français combine marketing, digital et transformation des organisations ? »
Ou d’autres formulations correspondant aux territoires sur lesquels je souhaite être identifiable.
Une amélioration du premier indicateur signifie que ma représentation est meilleure.
Une amélioration du second signifierait quelque chose de beaucoup plus ambitieux : ma découvrabilité progresse.
Ce second test est difficile. Il doit le rester.
Le but n’est pas de fabriquer une question suffisamment spécifique pour forcer une IA à répondre « Bertrand Jouvenot ».
Le but est précisément de voir si mon nom peut émerger d’une catégorie dans laquelle d’autres personnes sont légitimement susceptibles d’apparaître.
C’est le dernier E : Évaluer.
Et surtout, ce E transforme tout ce qui précède en boucle.
La méthode PREUVE
Ce travail, commencé comme une expérience personnelle, a fini par produire une méthode.
Je l’ai appelée PREUVE.
P — Positionner
Définir précisément ce pour quoi on souhaite être identifié.
R — Relier
Construire les relations entre la personne, les organisations, les expertises, les œuvres et les réalisations.
E — Établir
Transformer les affirmations en faits documentés et déterminer exactement jusqu’où les sources permettent d’aller.
U — Unifier
Rendre cohérentes les différentes expressions de son identité numérique sans chercher à les rendre identiques.
V — Valider
Rechercher des signaux et des corroborations provenant de sources tierces et indépendantes.
E — Évaluer
Interroger régulièrement les IA, avec puis sans son nom, pour mesurer l’évolution de leur représentation.
PREUVE n’est donc pas une technique permettant de « convaincre ChatGPT que vous êtes expert ».
Ce serait une conception à la fois naïve et dangereuse du GEO.
L’objectif est presque inverse : rendre plus facile pour une machine l’établissement de relations qu’elle a de bonnes raisons d’établir.
Cela implique parfois d’ajouter une information.
Mais aussi d’en corriger une.
D’en préciser une autre.
De relier deux traces dispersées.
De retrouver une source.
Et quelquefois de renoncer à une affirmation avantageuse parce qu’elle n’est pas suffisamment documentée.
Retrouver le passé pour devenir lisible par les machines
L’expérience n’est d’ailleurs pas terminée.
Au moment où j’écris ces lignes, j’attends la réponse de la Bibliothèque interuniversitaire de la Sorbonne.
Je cherche à récupérer ce mémoire de 1996 dont Paris 1 vient de retrouver la trace au CTLes.
La situation me plaît assez.
En 1996, j’essayais de comprendre ce que les nouvelles technologies de l’information et de la communication allaient changer au marketing.
Trente ans plus tard, je cherche à comprendre comment des intelligences artificielles reconstruisent et interprètent les traces laissées par ces trente années de transformations.
Et pour améliorer ma lisibilité auprès de quelques-uns des systèmes d’intelligence artificielle les plus sophistiqués jamais construits, j’ai dû commencer par retrouver… un mémoire papier vieux de trente ans, stocké dans une bibliothèque.
C’est peut-être la meilleure leçon de toute l’expérience.
Nous avons pris l’habitude de croire que notre visibilité numérique dépend de ce que nous allons publier demain.
À l’âge de l’intelligence artificielle, elle dépend peut-être tout autant de notre capacité à retrouver ce qui existe déjà, établir ce que cela prouve, le relier au reste et permettre aux machines d’en comprendre le sens.
Produire moins d’affirmations.
Construire davantage de preuves.