Ce que nous croyons.

Les assistants IA — ChatGPT, Claude, Gemini, Perplexity — ont remplacé les dix liens bleus par deux à sept sources citées par réponse. Pour les marques, cela ramène vingt ans d’optimisation du tunnel de recherche à une seule question : faites-vous partie des sources citées, oui ou non ?

La plupart des plateformes de cette catégorie répondent à cette question par un tableau de bord. Elles vous disent que vous êtes absent. Elles facturent de 500 $US à 2 000 $US par mois le privilège d’observer votre invisibilité en temps réel. Aucune n’écrit le code qui vous remet sur la carte. Findrix, si.

Une détection sans correctif rédigé n’est qu’une présentation. Ce qui est défendable dans cette catégorie, c’est la couche de rédaction des correctifs — schema, réécritures de contenu, patchs de citation, rédigés pour chaque stack et prêts à coller — sur les quatre stacks qu’utilise réellement la longue traîne du mid-market (WordPress, Shopify, Next.js, Webflow).

Maîtriser 40 dialectes de CMS est ingrat et lent. Cet avantage se cumule. Chaque correctif que nous rédigeons rend le suivant moins coûteux. Chaque stack que nous éprouvons sur un vrai site client ajoute une fiabilité que nous vendons.

Nous indiquons un intervalle de confiance de Wilson pour chaque pourcentage. D’une mesure à l’autre, nous utilisons une bande groupée : la dispersion entre prompts selon une loi de Student, jamais plus étroite que le plancher de Wilson. Un mouvement n’est considéré comme réel que lorsque deux intervalles ne se chevauchent pas. Les moteurs ne sont jamais moyennés en un score unique.

Chaque règle que nous appliquons est documentée, et chaque chiffre publié est assorti de son intervalle. Consultez la page méthodologie pour les calculs.

Chaque audit améliore le suivant. Nous apprenons quels patchs de schema font réellement bouger les citations sur quelle stack, quel délai attendre entre application et effet pour chaque LLM, quelles familles de prompts reviennent le plus vite à la moyenne. Ces métadonnées — la façon dont la surface de citation de l’IA réagit réellement aux interventions — sont l’avantage que nous construisons.

Nous n’entraînons pas de modèles sur les données de nos clients. Nous ne vendons pas de données d’audit aux fournisseurs de LLM. Le cercle vertueux s’appuie sur des statistiques de résultats agrégées, avec une stricte isolation entre clients. Consultez notre politique de confidentialité.

• Injection de prompts. Pas d’instructions cachées, pas d’astuces Unicode, pas de jailbreaks. Nous rédigeons uniquement du contenu légitime sur votre domaine et un schema conforme aux standards.
• Spam de contenu. Pas de pages générées en masse, pas d’articles réécrits par LLM à grande échelle, pas de fermes de liens. Chaque correctif est vérifiable dans votre CMS ou votre git.
• Cacher les calculs. Si notre méthodologie ne résiste pas à une relecture par des pairs, elle ne figure pas dans un rapport client. Formules ouvertes, hypothèses ouvertes, limites ouvertes.
• Vendre aux fournisseurs de LLM. Les données d’audit des clients restent dans leur espace. Nous ne partageons que des statistiques de résultats agrégées et anonymisées — et uniquement avec un consentement explicite.

Général : team@findrix.ai

Agences : agencies@findrix.ai

Presse / partenariats : press@findrix.ai

Sécurité : security@findrix.ai (voir security.txt)

• Logotype + déclinaisons (SVG, PNG) : sur demande à team@findrix.ai
• Présentation en un paragraphe (sous l’histoire de la marque ci-dessus)
• Biographies et portraits des fondateurs : disponibles sur demande via press@findrix.ai