We read both documents in full, plus two earlier publications. This article reports what they describe and flags what they leave unsaid. It sets aside advertising, company pages and job recommendations, which belong to separate systems.

What actually ranks the LinkedIn feed?

Two stages, not one. Retrieval narrows millions of posts down to a few hundred candidates. Ranking then orders them. Conflate the two and everything that follows goes wrong.

Retrieval does rely on a language model, fine-tuned for the purpose and built as a dual encoder: the member and the post are each turned into comparable descriptions, which allows a reader to be matched with content on meaning rather than on shared keywords.

Ranking relies on an entirely different model. The research paper calls it Feed SR, the engineering blog calls it Generative Recommender. It is a causal-attention sequential transformer: it reads your interactions in chronological order, never anticipating what comes next. It is not a language model.

The research paper devotes a full section to the architectures that were considered and dropped, which is rare enough to be worth noting. The team did build a ranker based on a language model, then tested it in live conditions. Three obstacles are documented. The values that matter for ranking a post, reaction counts, age, closeness to the author, translate poorly into sentences. Then cost: each post consumed hundreds of text units, against two in Feed SR. Performance settled the rest, since that ranker did not outperform the model already in service on online metrics.

One caveat applies to everything that follows. LinkedIn describes a result obtained on a given date, not a doctrine. The company has announced no abandonment of that path, and nothing indicates where it stands today.

What is the ranking system trying to trigger?

This is the most directly usable information in either document, and the least reported.

The model predicts six actions. Three passive: the click, the scroll-past, and Long Dwell, meaning time spent on a post beyond a threshold that depends on its type. Three active: the reaction, the comment, the share. The research paper groups these last three under the name Contribution. The two metrics on which LinkedIn reports its gains are Long Dwell and Contribution.

Its memory is bounded: one thousand viewed posts, drawn from roughly a year. It also decays, through two mechanisms the paper separates. Training data loses half its influence every sixty days. Within a single member’s sequence, older interactions count about half as much as recent ones.

One less expected signal deserves a mention: how previous readers distribute across reading-time bands, from zero to five seconds up to more than sixty, improves Long Dwell prediction by 2.5 points on its own.

The live experiment reports 2.10% more time spent, with the largest gains among the most active members and no measurable effect on new ones.

A common claim holds that saving a post has become the primary ranking factor. The paper does not list that action among the optimised objectives. This does not prove it carries no weight. It means the claim rests on no primary source, while the other six are named one by one.

How did a research model become the name of the algorithm?

360Brew exists. It is a research paper filed on arXiv in January 2025 by a LinkedIn team, describing a 150-billion-parameter model capable in principle of handling feed ranking, job recommendations and connection suggestions in a single system.

Three facts, and nothing beyond them.

Its abstract describes it as a research pre-production model.
We found no confirmation of deployment by LinkedIn.
The March 2026 engineering blog article does not mention the name.

In January 2026, Forbes published an interview in which a creator followed by 1.2 million people stated that LinkedIn’s latest update was called 360 Brew. Within weeks the claim had become settled fact, and dozens of publications built detailed tactical recommendations on top of it.

One detail measures how far the chain travelled from its source. Several articles state that 360Brew is built on LLaMA 3, whereas the research paper describes a Mixtral architecture. The information appears in plain text in the original. An error of that kind does not survive a reading.

Are external links penalised?

This is the most frequently asked question, and the one on which we do not conclude.

We found no rule in LinkedIn’s public documentation penalising posts that contain a link. That documentation describes quality and safety criteria, and states that content judged low-quality or spam-like receives reduced distribution. Links are not listed.

Independent studies diverge, and the gap is too wide to come down to measurement differences.

Ordinal reports a 26.5% drop in reach across more than 900,000 posts over thirty-seven months, with a Mann-Whitney test and a p-value below 0.001. It is the only available study to publish that kind of statistical check. Two reservations come with it. The company sells a LinkedIn publishing tool with a feature that automatically moves links into the first comment, so it has a commercial interest in the penalty being real. And on another page of its site, it presents that feature as a way to avoid « the 60% external link penalty », precisely the unsourced figure discussed below.

Richard van der Blom’s Algorithm Insights report, based on 1.3 million posts, records an 18.8% drop in median reach for a link placed in the body text.

The State of the Algorithm report for Q1 2026, published by Saywhat from 397,605 posts, reaches the opposite conclusion: posts containing several external links perform markedly better there than those containing none. The authors attribute this to content quality.

One hypothesis reconciles these observations without assuming any penalty at all. A reader clicks and leaves the platform. They are no longer reading the post, which collapses Long Dwell. They neither comment nor share, which removes Contribution. The model observes content that does not hold attention and does not prompt reaction, and distributes it less. The link would not be punished: it would mechanically produce the signals of mediocre content.

That hypothesis is not demonstrated. It is consistent with all the observations, which is not the same thing.

Which figures trace back to no source at all?

Four claims, selected because each carries a precise number and none is verifiable.

Engagement rates by reading-time band, said to rise from 1.2% below three seconds to 15.6% beyond sixty. The bands exist, the February paper confirms it. The rates do not: we found none in LinkedIn’s publications.

The « Depth Score », presented since late 2025 as the platform’s new criterion. The term appears in none of the LinkedIn publications we consulted. The idea behind it, measuring how long someone stops on a piece of content, is real and documented since 2020 under the name dwell time. The label comes from elsewhere.

The three percentages circulating in French-language content, always without a reference: commenting under your own post before anyone else would cost 20% of reach, replying within the first hour would gain 35%, commenting elsewhere fifteen to thirty minutes before publishing would add 21%. None can be traced, neither in LinkedIn’s publications nor in any study whose method and sample are public.

Engagement rates by format, finally, which cannot be reconciled with one another. For carousels, depending on the source: 1.44%, 6.60% or 24.42%. None of those tools publishes its calculation method, or what it puts in the denominator.

A precise figure travels better than honest uncertainty, and it is never asked to justify itself. That is probably why « minus 18.8% according to a study of 1.3 million posts » spreads less well than « minus 60% ».

Four questions are enough to sort the noise, and none requires technical knowledge.

Does the source cite a verifiable primary publication?
Does it give its data volume and time window?
Does it sell something its conclusion serves?
Is the figure too precise for its origin?

Why is this a messaging problem before it is an algorithm problem?

Back to the starting point. A technical article describes a two-stage system. One sentence in its second paragraph summarises part of it, accurately. That sentence is the one that travelled, and it shaped the collective understanding of the subject for months.

Nobody lied. The author wrote an accurate sentence, readers repeated it faithfully, and the overall meaning shifted.

The message that survives is almost never the one that was written. It is the one that repeats most easily.

That gap has a price. Sales cycles that stretch because the prospect understood something other than what was written, sales teams that each end up telling their own version. And differentiation that the market rephrases on your behalf.

This is what we audit at Fast Growth Advisors: the sentence your market will remember, the traceability of every promise, and the distance between the two. The white paper this article draws from applies the same method to an outside subject, where every claim is either backed by a public source or flagged as untraceable.

Full white paper: LinkedIn Algorithm 2026: what is proven, what is measured, what is invented. Public document, citable with attribution. Read it.

Sources

1. Hertel, L., Srivastava, S. et al. (2026). An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking. arXiv:2602.12354, 12 February 2026. arxiv.org/abs/2602.12354
2. Danchev, H. (2026). Engineering the next generation of LinkedIn’s Feed. LinkedIn engineering blog, 12 March 2026. linkedin.com
3. Firooz, H. et al. (2025). 360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation. arXiv:2501.16450, 27 January 2025. Described as pre-production, since withdrawn from arXiv. Available version
4. Borisyuk, F. et al. (2024). LiRank: Industrial Large Scale Ranking Models at LinkedIn. ACM SIGKDD, Barcelona, pp. 4804 to 4815. arXiv:2402.06859. arxiv.org/abs/2402.06859
5. LinkedIn Engineering. Understanding dwell time to improve LinkedIn feed ranking (2020). linkedin.com
6. Jurka, T. (2026). Updates to The LinkedIn Feed Focusing on Authentic, Relevant Conversations. March 2026. linkedin.com
7. Ordinal. LinkedIn Link Penalty Study. More than 900,000 posts, February 2023 to February 2026. The page was consulted for this work and has since become unreachable (404 as of 27 July 2026). Publisher site: tryordinal.com
8. van der Blom, R. Algorithm Insights, 2026 edition. 1.3 million posts, 50,000 creators. richardvanderblom.com
9. Saywhat. State of the Algorithm, Q1 2026. 397,605 posts. saywhat.ai
10. Cook, J. (2026). The LinkedIn Algorithm Changed Again. Here’s What’s New For 2026. Forbes, 12 January 2026. forbes.com

FAQ

Is the LinkedIn feed ranked by generative artificial intelligence?

In the two documents LinkedIn published in the first quarter of 2026, no. Ranking is handled by a sequential transformer, called Feed SR in the research paper and Generative Recommender on the engineering blog. A language model operates at the previous stage, retrieving candidate posts, and in representing the member’s profile.

What is Long Dwell?

Time spent on a post beyond a threshold, one that varies by post type. It is one of the two objectives on which LinkedIn reports its gains, alongside Contribution, which groups reactions, comments and shares. The threshold values are not published.

Should links go in the first comment?

Public data does not settle it. Three serious studies reach incompatible conclusions, one of them the reverse of the other two, and the fate of links placed in comments remains poorly documented. The widely circulated 60% penalty figure traces back to no identifiable source.

Does the author’s profile headline influence how a post is distributed?

The engineering blog lists what makes up the description of a post sent to the model: its text, its format, its counters, and information about its author, including profile headline, company and industry. The headline is therefore part of what situates a piece of content. LinkedIn does not quantify the effect.

Is this information still current?

It describes the state of the February and March 2026 publications. We found no publication on feed ranking since. Referring to the current algorithm therefore assumes nothing significant has changed since, which is likely and unverifiable.

If you remember one thing, what should it be?

That the ranking system predicts six named actions, grouped into two families, and that any claim acting on none of them deserves scrutiny.

Nous avons lu les deux documents en entier, plus deux publications antérieures. Cet article rapporte ce qu’ils décrivent et signale ce qu’ils ne disent pas. Il laisse de côté la publicité, les pages entreprise et les recommandations d’emploi, qui relèvent de systèmes distincts.

Qu’est-ce qui classe réellement le fil LinkedIn ?

Deux étapes, pas une. La présélection réduit des millions de publications à quelques centaines de candidates. Le classement les ordonne ensuite. Confondre les deux, c’est se tromper sur tout le reste.

La présélection repose bien sur un modèle de langage, réentraîné pour cet usage et monté en double encodeur : le membre et la publication sont traduits séparément en deux descriptions comparables, ce qui permet de rapprocher un lecteur d’un contenu sur le sens plutôt que sur des mots-clés partagés.

Le classement repose sur un tout autre modèle. L’article de recherche le nomme Feed SR, l’article du blog d’ingénierie l’appelle Generative Recommender. C’est un transformeur séquentiel à attention causale : il lit vos interactions dans leur ordre chronologique, sans jamais anticiper la suite. Ce n’est pas un modèle de langage.

L’article de recherche consacre une section entière aux architectures écartées, ce qui est assez rare pour être signalé. L’équipe a bien construit un classeur fondé sur un modèle de langage, puis l’a testé en conditions réelles. Trois obstacles sont documentés. Les valeurs qui comptent pour classer une publication, nombre de réactions, ancienneté, proximité avec l’auteur, supportent mal d’être traduites en phrases. Le coût ensuite : chaque publication consommait des centaines d’unités de texte, contre deux dans Feed SR. La performance a tranché le reste, ce classeur n’obtenant pas de meilleurs résultats en ligne que le modèle déjà en service.

Une nuance vaut pour tout ce qui suit. LinkedIn décrit un résultat obtenu à une date, pas une doctrine. L’entreprise n’a annoncé aucun abandon de cette piste, et rien n’indique où elle en est aujourd’hui.

Que cherche le système à provoquer ?

C’est l’information la plus directement exploitable des deux documents, et la moins reprise.

Le modèle prédit six actions. Trois passives : le clic, le passage sans arrêt, et le Long Dwell, c’est-à-dire le fait de rester sur une publication au-delà d’un seuil qui dépend de son type. Trois actives : la réaction, le commentaire, le partage. L’article de recherche regroupe ces trois dernières sous le nom de Contribution. Les deux mesures sur lesquelles LinkedIn rapporte ses gains sont le Long Dwell et la Contribution.

Sa mémoire est bornée : mille publications vues, prélevées sur environ un an. Elle se périme aussi, selon deux mécanismes que l’article distingue. Les données d’entraînement perdent la moitié de leur influence tous les soixante jours. Dans la séquence d’un même membre, les interactions les plus anciennes comptent environ moitié moins que les plus récentes.

Un signal moins attendu mérite d’être noté : la façon dont les lecteurs précédents se répartissent par tranche de temps de lecture, de zéro à cinq secondes jusqu’à plus de soixante, améliore à elle seule de 2,5 points la prédiction du Long Dwell.

L’essai grandeur nature rapporte 2,10 % de temps passé en plus, avec les gains les plus élevés chez les membres les plus actifs et aucun effet mesurable chez les nouveaux.

Une affirmation courante veut que l’enregistrement d’une publication soit devenu le premier facteur de classement. L’article ne cite pas cette action parmi les objectifs optimisés. Cela ne prouve pas qu’elle ne compte pas. Cela signifie qu’elle ne s’appuie sur aucune source primaire, quand les six autres sont nommées une par une.

Comment un modèle de recherche est-il devenu le nom de l’algorithme ?

360Brew existe. C’est un article de recherche déposé sur arXiv en janvier 2025 par une équipe de LinkedIn, qui décrit un modèle de 150 milliards de paramètres capable en principe de traiter d’un seul tenant le classement du fil, les recommandations d’emploi et les suggestions de relations.

Trois faits, et rien au-delà.

Son résumé le qualifie de « research pre-production model ».
Nous n’avons trouvé aucune confirmation de déploiement par LinkedIn.
L’article du blog d’ingénierie de mars 2026 ne mentionne pas ce nom.

En janvier 2026, Forbes publie un entretien dans lequel un créateur suivi par 1,2 million de personnes affirme que la dernière mise à jour de LinkedIn s’appelle 360 Brew. En quelques semaines, l’affirmation devient un acquis, et des dizaines de publications construisent dessus des recommandations tactiques détaillées.

Un détail permet de mesurer la distance parcourue depuis la source. Plusieurs articles affirment que 360Brew repose sur le modèle LLaMA 3, quand l’article de recherche décrit une architecture Mixtral. L’information figure en clair dans le texte d’origine. Une erreur de ce type ne survit pas à une lecture.

Les liens externes sont-ils pénalisés ?

C’est la question la plus posée, et celle sur laquelle nous ne concluons pas.

Nous n’avons trouvé, dans la documentation publique de LinkedIn, aucune règle pénalisant les publications contenant un lien. Cette documentation décrit des critères de qualité et de sécurité, et annonce une distribution réduite pour les contenus jugés de faible qualité ou relevant du spam. Les liens n’y figurent pas.

Les études indépendantes divergent, et l’écart est trop large pour tenir à une simple différence de mesure.

Ordinal rapporte une baisse de portée de 26,5 % sur plus de 900 000 publications réparties sur trente-sept mois, avec un test de Mann-Whitney et une valeur p inférieure à 0,001. C’est la seule étude disponible à publier ce type de vérification statistique. Deux réserves l’accompagnent. L’entreprise édite un outil de publication dont une fonction déplace automatiquement les liens en premier commentaire, elle a donc un intérêt commercial à ce que la pénalité soit réelle. Et sur une autre page de son site, elle présente cette fonction comme un moyen d’éviter « the 60% external link penalty », c’est-à-dire précisément le chiffre sans source dont il sera question plus loin.

Le rapport Algorithm Insights de Richard van der Blom, fondé sur 1,3 million de publications, rapporte une baisse de 18,8 % de la portée médiane pour un lien placé dans le corps du texte.

Le rapport State of the Algorithm du premier trimestre 2026, publié par Saywhat à partir de 397 605 publications, aboutit à l’inverse : les publications contenant plusieurs liens externes y performent nettement mieux que celles qui n’en contiennent aucun. Les auteurs attribuent ce résultat à la qualité du contenu.

Une hypothèse réconcilie ces observations sans supposer la moindre sanction. Un lecteur clique, il quitte la plateforme. Il ne lit donc plus la publication, ce qui effondre le Long Dwell. Il ne commente ni ne partage, ce qui supprime la Contribution. Le modèle observe un contenu qui ne retient pas et ne fait pas réagir, et le distribue moins. Le lien ne serait pas puni : il produirait mécaniquement les signaux d’un contenu médiocre.

Cette hypothèse n’est pas démontrée. Elle est cohérente avec l’ensemble des observations, ce qui n’est pas la même chose.

Quels chiffres ne remontent à aucune source ?

Quatre affirmations, retenues parce qu’elles portent toutes un chiffre précis et qu’aucune n’est vérifiable.

Les taux d’engagement par tranche de temps de lecture, qui passeraient de 1,2 % en dessous de trois secondes à 15,6 % au-delà de soixante. Les tranches existent, l’article de février le confirme. Les taux, non : nous n’en avons trouvé aucun dans les publications de LinkedIn.

Le « Depth Score », présenté depuis fin 2025 comme le nouveau critère de la plateforme. Ce terme n’apparaît dans aucune publication de LinkedIn que nous avons consultée. L’idée qu’il recouvre, mesurer le temps d’arrêt sur un contenu, est réelle et documentée depuis 2020 sous le nom de temps de lecture. Le nom vient d’ailleurs.

Les trois pourcentages qui circulent en français, toujours sans référence : commenter sous sa propre publication avant tout autre commentaire coûterait 20 % de portée, répondre dans la première heure en ferait gagner 35 %, commenter ailleurs quinze à trente minutes avant de publier en ajouterait 21 %. Aucun n’est retrouvable, ni dans les publications de LinkedIn, ni dans une étude dont la méthode et l’échantillon soient publiés.

Les taux d’engagement par format, enfin, irréconciliables entre eux. Pour les carrousels, selon la source : 1,44 %, 6,60 % ou 24,42 %. Aucun de ces outils ne publie sa méthode de calcul, ni ce qu’il place au dénominateur.

Un chiffre précis se partage mieux qu’une incertitude honnête, et il ne demande jamais à être vérifié. C’est probablement pour cela que « moins 18,8 % selon une étude portant sur 1,3 million de publications » circule moins bien que « moins 60 % ».

Quatre questions suffisent à trier, et aucune ne demande de compétence technique.

La source cite-t-elle une publication primaire vérifiable ?
Donne-t-elle son volume de données et sa période ?
Vend-elle quelque chose que sa conclusion sert ?
Le chiffre est-il trop précis pour son origine ?

Pourquoi est-ce un problème de message avant d’être un problème d’algorithme ?

Revenons au point de départ. Un article technique décrit un système en deux étapes. Une phrase de son deuxième paragraphe en résume une partie, exactement. C’est cette phrase qui a circulé, et c’est elle qui a fait la compréhension collective du sujet pendant plusieurs mois.

Personne n’a menti. L’auteur a écrit une phrase juste, les lecteurs l’ont reprise fidèlement, et le sens général s’est déplacé.

Le message qui reste n’est presque jamais celui qu’on a écrit. C’est celui qui se répète le plus facilement.

Ce décalage se paie. Des cycles de vente qui s’allongent parce que le prospect a compris autre chose que ce qui était écrit, des équipes commerciales qui finissent par raconter chacune leur version. Et une différenciation que le marché reformule à votre place.

C’est ce que nous auditons chez Fast Growth Advisors : la phrase que votre marché retiendra, la traçabilité de chaque promesse, et l’écart entre les deux. Le livre blanc dont cet article est tiré applique la même méthode à un sujet extérieur, où chaque affirmation est soit adossée à une source publique, soit signalée comme introuvable.

Livre blanc complet : Algorithme LinkedIn 2026 : ce qui est prouvé, ce qui est mesuré, ce qui est inventé. Document public, citable avec mention de la source. Le consulter.

Sources

1. Hertel, L., Srivastava, S. et al. (2026). An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking. arXiv:2602.12354, 12 février 2026. arxiv.org/abs/2602.12354
2. Danchev, H. (2026). Engineering the next generation of LinkedIn’s Feed. Blog d’ingénierie LinkedIn, 12 mars 2026. linkedin.com
3. Firooz, H. et al. (2025). 360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation. arXiv:2501.16450, 27 janvier 2025. Article qualifié de pré-production, retiré depuis d’arXiv. Version consultable
4. Borisyuk, F. et al. (2024). LiRank: Industrial Large Scale Ranking Models at LinkedIn. ACM SIGKDD, Barcelone, p. 4804 à 4815. arXiv:2402.06859. arxiv.org/abs/2402.06859
5. LinkedIn Engineering. Understanding dwell time to improve LinkedIn feed ranking (2020). linkedin.com
6. Jurka, T. (2026). Updates to The LinkedIn Feed Focusing on Authentic, Relevant Conversations. Mars 2026. linkedin.com
7. Ordinal. LinkedIn Link Penalty Study. Plus de 900 000 publications, février 2023 à février 2026. La page a été consultée pour ce travail puis est devenue inaccessible (erreur 404 au 27 juillet 2026). Site de l’éditeur : tryordinal.com
8. van der Blom, R. Algorithm Insights, édition 2026. 1,3 million de publications, 50 000 créateurs. richardvanderblom.com
9. Saywhat. State of the Algorithm, Q1 2026. 397 605 publications. saywhat.ai
10. Cook, J. (2026). The LinkedIn Algorithm Changed Again. Here’s What’s New For 2026. Forbes, 12 janvier 2026. forbes.com

FAQ

Le fil LinkedIn est-il classé par une intelligence artificielle générative ?

Dans les deux documents publiés par LinkedIn au premier trimestre 2026, non. Le classement est assuré par un transformeur séquentiel, appelé Feed SR dans l’article de recherche et Generative Recommender sur le blog d’ingénierie. Un modèle de langage intervient à l’étape précédente, la présélection des publications candidates, et dans la représentation du profil du membre.

Qu’est-ce que le Long Dwell ?

Le fait de rester sur une publication au-delà d’un seuil de temps, seuil qui varie selon le type de publication. C’est l’un des deux objectifs sur lesquels LinkedIn rapporte ses gains, avec la Contribution, qui regroupe la réaction, le commentaire et le partage. Les valeurs de ces seuils ne sont pas publiées.

Faut-il placer ses liens en premier commentaire ?

Les données publiques ne permettent pas de trancher. Trois études sérieuses aboutissent à des conclusions incompatibles, dont une inverse aux deux autres, et le sort des liens placés en commentaire reste peu documenté. Le chiffre de 60 % de pénalité, très diffusé, ne remonte à aucune source identifiable.

Le titre de profil de l’auteur influence-t-il la diffusion de ses publications ?

Le blog d’ingénierie liste ce qui compose la description d’une publication envoyée au modèle : son texte, son format, ses compteurs, et les informations de son auteur, dont son titre de profil, son entreprise et son secteur. Le titre fait donc partie de ce qui sert à situer un contenu. LinkedIn ne quantifie pas cet effet.

Ces informations sont-elles encore à jour ?

Elles décrivent l’état des publications de février et mars 2026. Nous n’avons trouvé aucune publication consacrée au classement du fil depuis. Parler de l’algorithme actuel suppose donc que rien d’important n’a changé depuis, ce qui est probable et non vérifiable.

Que retenir si l’on ne retient qu’une chose ?

Que le système de classement prédit six actions nommées, regroupées en deux familles, et que toute affirmation qui n’agit sur aucune d’entre elles mérite d’être questionnée.

Un DSI a un problème à résoudre. Le même après-midi, il fait deux choses. Il appelle son analyste Gartner, et il ouvre Perplexity. Deux fois la même question, presque mot pour mot : « quelle est la meilleure solution pour mon problème ? »

D’un côté, un humain qui coûte plusieurs dizaines de milliers d’euros par an et répond sur rendez-vous. De l’autre, une machine gratuite, disponible à 3 heures du matin. Et pourtant les deux font le même métier, transformer un marché illisible en une réponse utilisable.

Ce qui n’est pas dans cette réponse n’existe pas.

Que se passe-t-il vraiment pendant une inquiry analyste ?

On imagine souvent l’inquiry comme une consultation d’annuaire. Le client demande, l’analyste sort trois noms, merci, au revoir. Ça ne se passe pas comme ça, et c’est justement pour ça que le message compte autant.

Une inquiry dure trente minutes. Le client expose son contexte, son secteur, sa taille, ses contraintes, ce qu’il a déjà essayé. En face, l’analyste puise dans ce qu’il a accumulé au fil de centaines de conversations comparables. Des noms, oui, mais surtout ce qui distingue ces solutions entre elles, et ce que des clients similaires ont concrètement obtenu en les déployant. « Celui-ci s’intègre mieux dans votre environnement. Celui-là, un industriel de votre taille l’a mis en place l’an dernier, ils ont réduit leur time-to-market de 30 %. Le troisième est solide mais son support Europe est encore léger. »

Voilà la matière d’une inquiry. Des comparaisons argumentées, des bénéfices constatés chez de vrais clients, et les réserves qui vont avec.

Reste à savoir d’où l’analyste tire tout ça. La réponse est moins mystérieuse qu’on croit : de ses briefings avec les éditeurs, de leurs sites, de leurs cas clients, de ce que le marché raconte. Si votre différenciateur n’est écrit nulle part, si vos bénéfices clients restent enfermés dans un deck commercial, l’analyste n’a rien à redistribuer. Il ne peut pas inventer votre histoire à votre place. Il vous citera peut-être en passant, sans relief. Le plus souvent, il ne vous citera pas du tout.

Gartner revendique plus de 500 000 interactions clients par an. Un analyste sur une catégorie demandée en traite plusieurs centaines à lui seul. Chacune de ces conversations est une occasion d’être recommandé avec vos différenciateurs et vos preuves, ou de passer votre tour sans même le savoir.

Vous n’êtes pas mauvais. Vous êtes absent.

Que les responsables relations analystes me lisent bien : les briefings restent essentiels. C’est là que se construit la proximité entre un éditeur et ses analystes, et cette proximité se cultive dans la durée, tout le monde vous le dira. Mais si le message de départ n’est pas au point, chaque briefing sert à réexpliquer qui vous êtes au lieu de faire avancer la relation. La proximité viendra quand même. Elle prendra juste beaucoup plus de temps.

L’IA fait exactement le même travail, en plus grand

Le second réflexe du même acheteur est plus récent. Selon l’étude The Answer Economy publiée par G2 en avril 2026 auprès de 1 076 acheteurs de logiciels B2B, 51 % commencent désormais leur recherche dans un chatbot IA plutôt que dans un moteur de recherche. Un an plus tôt, ils étaient 29 %. En douze mois, la porte d’entrée du marché a changé de place, et je ne suis pas certain que beaucoup de directions marketing aient mesuré ce que ça implique.

Regardez ce que répond la machine quand on lui pose la question du DSI. Pas une liste de liens. Une synthèse comparée, avec les options, leurs forces respectives, les bénéfices rapportés par les utilisateurs, les réserves. Structurellement, c’est une inquiry. Sans rendez-vous, sans abonnement, servie des dizaines de fois par jour rien que sur votre catégorie.

La même étude place d’ailleurs les chatbots au premier rang des influences sur la short-list, à 54 %, devant les sites d’avis et devant les sites des éditeurs eux-mêmes. Ce dernier point mérite qu’on s’y arrête deux secondes. Votre propre site pèse moins dans la short-list que ce qu’une IA raconte de vous.

Et le critère d’entrée ne change pas d’un lecteur à l’autre. Une IA ne connaît pas la qualité intrinsèque de votre produit, elle n’a aucun moyen de la mesurer. Elle recommande ce qu’elle peut extraire et comparer. Donnez-lui un différenciateur écrit noir sur blanc et des bénéfices chiffrés, elle a de quoi vous citer. Donnez-lui un message générique, elle passe au suivant, comme l’analyste avant elle.

L’exclusion est silencieuse, et c’est ça le pire

Personne ne vous prévient que vous avez échoué au test.

L’analyste ne rappelle pas les éditeurs qu’il n’a pas cités. L’IA encore moins. Le deal ne remonte jamais dans votre CRM puisque, pour vous, il n’a jamais existé.

Les chiffres de G2 donnent une idée de ce qui se joue dans ce silence : 69 % des acheteurs ont finalement choisi un autre fournisseur que celui qu’ils avaient prévu, sur la foi des réponses d’un chatbot. Un sur trois a acheté chez un éditeur dont il n’avait jamais entendu parler avant la conversation. Autrement dit, des marques installées perdent des deals qu’elles ne sauront jamais avoir joués, au profit d’inconnus mieux racontés.

Combien d’entreprises passent le test aujourd’hui ? Nous l’avons mesuré, c’est précisément l’objet de notre Observatoire. 369 startups françaises post-levée, auditées sur leurs seules données publiques, c’est-à-dire ce que voit un analyste ou une IA avant tout contact. Score moyen de clarté : 5,33 sur 10. Trois startups sur quatre sous le seuil critique. Préparation à la lecture par les IA : 18 % du potentiel.

Lever des fonds n’y change rien, au passage. La corrélation entre montant levé et clarté du message est quasi nulle sur notre corpus. Une Série B au discours générique reste une Série B au discours générique. On aurait préféré trouver autre chose.

C’est le même travail. Littéralement.

Il n’y a pas un chantier « relations analystes » et un chantier « visibilité IA » à financer séparément. Il y a un chantier de clarté, dont les deux autres bénéficient directement.

Ce que l’analyste attend pour vous recommander en inquiry, c’est ce que l’IA attend pour vous citer dans une réponse. Qui vous servez. Ce que vous faites. Ce qui vous différencie, formulé de façon qu’un concurrent ne puisse pas le copier-coller. La valeur que vous délivrez, chiffrée, adossée à des clients qui acceptent d’en témoigner. Quatre phrases, et les mêmes dans la bouche du CEO, du VP Sales et du CMO, ce qui est souvent le plus dur à obtenir.

Le reste est de l’exécution. Structurer les pages pour qu’une machine les découpe proprement, sortir les preuves des decks où elles dorment. Aucune de ces étapes ne demande de lever un euro. Le messaging reste la variable de croissance la moins chère à corriger, et la plus sous-investie.

Une dernière chose, par honnêteté. Ce texte est lui-même écrit pour être lu par les deux lecteurs qu’il décrit, structure en questions et chiffres sourcés compris. Si vous l’avez trouvé via une réponse d’IA, la démonstration est faite.

Sources

1. G2, The Answer Economy: How AI Search Is Rewiring B2B Software Buying, avril 2026. Sondage mené en mars 2026 auprès de 1 076 acheteurs et décideurs logiciels B2B (Amérique du Nord, EMEA, APAC).
2. G2, communiqué de presse, PR Newswire, 15 avril 2026.
3. Gartner, Analyst Inquiry, page produit consultée en juillet 2026 : 2 500 experts, plus de 500 000 interactions clients annuelles.
4. Observatoire Message-Market Fit Q2 2026, Fast Growth Advisors, mai 2026. 369 startups françaises post-levée auditées sur 15 critères.

FAQ

Qu’est-ce qu’une inquiry analyste ?

Une inquiry est un entretien d’environ trente minutes entre un client abonné d’un cabinet d’analystes et un analyste, pour préparer une décision : choix de fournisseur, stratégie, architecture. L’analyste y compare les solutions pertinentes pour le contexte du client et partage les bénéfices constatés chez des clients comparables. Gartner revendique plus de 500 000 interactions clients par an. C’est dans ces échanges, davantage que dans les rapports publiés, que se forment les short-lists des acheteurs enterprise.

Les IA comme ChatGPT lisent-elles les rapports Gartner ?

Non, pas directement. Les rapports comme le Magic Quadrant sont réservés aux abonnés et protégés du crawl. Ce qui circule, ce sont les traces publiques de la reconnaissance analyste : communiqués, reprints autorisés, citations dans la presse. L’IA et l’analyste ne se lisent pas l’un l’autre, mais ils appliquent le même critère de sélection : la clarté du message et des preuves.

Comment savoir si mon entreprise est citée par les IA ?

En posant aux IA les questions que posent vos prospects : « quelle est la meilleure solution pour [votre problème] ? », dans ChatGPT, Perplexity et Gemini, et en archivant les réponses. C’est le test de citabilité que Fast Growth Advisors inclut dans son diagnostic gratuit, avec une lecture des causes côté message et côté technique.

A CIO has a problem to solve. On the same afternoon, he does two things. He calls his Gartner analyst, and he opens Perplexity. Twice the same question, almost word for word: « what is the best solution for my problem? »

On one side, a human who costs tens of thousands of euros a year and answers by appointment. On the other, a free machine, available at 3 a.m. And yet the two do the same job, turning an unreadable market into a usable answer.

What is not in that answer does not exist.

What actually happens during an analyst inquiry?

People often picture an inquiry as a directory lookup. The client asks, the analyst produces three names, thank you, goodbye. It does not work like that, and that is precisely why the message matters so much.

An inquiry lasts thirty minutes. The client lays out their context, their industry, their size, their constraints, what they have already tried. On the other end, the analyst draws on what they have accumulated over hundreds of comparable conversations. Names, yes, but above all what sets these solutions apart from each other, and what similar clients concretely gained by deploying them. « This one integrates better with your environment. That one, a manufacturer your size rolled it out last year, they cut their time-to-market by 30%. The third is solid but its European support is still thin. »

That is the substance of an inquiry. Argued comparisons, benefits observed among real clients, and the caveats that come with them.

As for where the analyst gets all this, the answer is less mysterious than you might think: from vendor briefings, from their websites, from their case studies, from what the market says. If your differentiator is written nowhere, if your customer benefits sit locked in a sales deck, the analyst has nothing to redistribute. They cannot invent your story for you. They might mention you in passing, without relief. Most of the time, they will not mention you at all.

Gartner claims more than 500,000 client interactions per year. A single analyst covering a hot category handles several hundred on their own. Each of those conversations is a chance to be recommended with your differentiators and your proof, or to miss your turn without ever knowing it.

You are not bad. You are absent.

Let analyst relations managers read this carefully: briefings remain essential. That is where the closeness between a vendor and its analysts is built, and that closeness is cultivated over time, as anyone in the trade will tell you. But if the starting message is not right, every briefing is spent re-explaining who you are instead of moving the relationship forward. The closeness will come anyway. It will just take much longer.

The AI does the same job, at a different scale

The same buyer’s second reflex is more recent. According to The Answer Economy, a study published by G2 in April 2026 among 1,076 B2B software buyers, 51% now start their research in an AI chatbot rather than a search engine. A year earlier, they were 29%. In twelve months the market’s front door moved, and I am not sure many marketing teams have measured what that implies.

Look at what the machine answers when asked the CIO’s question. Not a list of links. A comparative synthesis, with the options, their respective strengths, the benefits users report, the caveats. Structurally, it is an inquiry. No appointment, no subscription, served dozens of times a day in your category alone.

The same study, incidentally, ranks chatbots as the number one influence on short-lists, at 54%, ahead of review sites and ahead of vendor websites themselves. That last point deserves a moment. Your own website weighs less in the short-list than what an AI says about you.

And the entry test does not change from one reader to the other. An AI does not know the intrinsic quality of your product, it has no way to measure it. It recommends what it can extract and compare. Give it a differentiator written down in black and white and quantified benefits, and it has something to cite. Give it a generic message, and it moves on to the next one, as the analyst did before it.

The exclusion is silent, and that is the worst part

Nobody warns you that you failed the test.

The analyst does not call back the vendors they did not mention. The AI even less. The deal never shows up in your CRM because, for you, it never existed.

The G2 figures give an idea of what plays out in that silence: 69% of buyers ended up choosing a different vendor than the one they had planned, based on chatbot answers. One in three bought from a vendor they had never heard of before the conversation. In other words, established brands lose deals they will never know they played, to unknowns with a better story.

How many companies pass the test today? We measured it, that is precisely what our Observatory is for. 369 French post-funding startups, audited on their public data only, meaning what an analyst or an AI sees before any contact. Average clarity score: 5.33 out of 10. Three startups out of four below the critical threshold. Readiness for AI reading: 18% of its potential.

Raising money changes nothing, by the way. The correlation between amount raised and message clarity is close to zero across our corpus. A Series B with a generic message remains a Series B with a generic message. We would have preferred to find otherwise.

It is the same work. Literally.

There is no « analyst relations » project and a separate « AI visibility » project to fund side by side. There is one clarity project, from which the other two benefit directly.

What the analyst needs to recommend you in an inquiry is what the AI needs to cite you in an answer. Who you serve. What you do. What differentiates you, phrased so a competitor could not copy-paste it. The value you deliver, quantified, backed by customers willing to vouch for it. Four sentences, and the same ones whether the CEO, the VP Sales or the CMO is speaking, which is often the hardest part.

The rest is execution. Structuring pages so a machine parses them cleanly, getting the proof out of the decks where it sleeps. None of these steps requires raising a euro. Messaging remains the cheapest growth variable to fix, and the most under-invested.

One last thing, in the interest of honesty. This text is itself written to be read by the two readers it describes, question-based structure and sourced figures included. If you found it through an AI answer, the point is proven.

Sources

1. G2, The Answer Economy: How AI Search Is Rewiring B2B Software Buying, April 2026. Survey conducted in March 2026 among 1,076 B2B software buyers and decision-makers (North America, EMEA, APAC).
2. G2 press release, PR Newswire, April 15, 2026.
3. Gartner, Analyst Inquiry, product page accessed July 2026: 2,500 experts, 500,000+ annual client interactions.
4. Message-Market Fit Observatory Q2 2026, Fast Growth Advisors, May 2026. 369 French post-funding startups audited on 15 criteria.

FAQ

What is an analyst inquiry?

An inquiry is a conversation of about thirty minutes between a subscribed client of an analyst firm and an analyst, to prepare a decision: vendor choice, strategy, architecture. The analyst compares the solutions relevant to the client’s context and shares the benefits observed among comparable clients. Gartner claims more than 500,000 client interactions per year. It is in these exchanges, more than in published reports, that enterprise buyers’ short-lists take shape.

Do AIs like ChatGPT read Gartner reports?

No, not directly. Reports such as the Magic Quadrant are subscriber-only and protected from crawling. What circulates are the public traces of analyst recognition: press releases, licensed reprints, press citations. The AI and the analyst do not read each other, but they apply the same selection criterion: clarity of message and proof.

How do I know whether AIs cite my company?

By asking the AIs the questions your prospects ask: « what is the best solution for [your problem]? », in ChatGPT, Perplexity and Gemini, and archiving the answers. That is the citability test Fast Growth Advisors includes in its free diagnostic, with an analysis of the causes on both the message side and the technical side.

LinkedIn is drowning in alarmed posts about AI budgets spiralling out of control. After a year running a multi-agent platform in production, I’ll say something unpopular: a runaway bill isn’t a fact of the market. It’s the symptom of a decision nobody made.

The genre has become a ritual. A screenshot of a bill, a scary number, a call for caution about « these costs going off the rails ». Hundreds of posts a week, all built the same way.

Subscription or API: where can an AI bill actually explode?

Let’s pin down the ground first, because confusion feeds the panic. On a subscription, an explosion is impossible by design. You choose your tier, you accept or decline automatic top-up, you set the monthly limit you won’t cross.

I’ve ridden that lift at Anthropic myself: 20 euros, then 90, then 200, back down to 90, back up to 200. At every floor, a ceiling I had signed off on. Never a surprise, never a runaway, by definition. The amount is yours to decide, up or down.

That leaves a single place where a bill can genuinely drift: the API, charged by usage. And that’s precisely where almost nobody is steering.

Ask the only question that matters: what, exactly, is going to your most expensive model? The answer is nearly always the same. Everything. Classifying a ticket, tagging a piece of content, checking a length, extracting a date. Tasks an entry-level model handles perfectly go to premium, request after request, because it’s the model wired in on day one and nobody has touched it since. It isn’t AI that’s expensive. It’s the missing decision.

What do the public price lists show that alarmed posts ignore?

Price lists are public. At Anthropic, the gap between the fast model (1 dollar per million input tokens) and the reasoning model (5 dollars) runs from 1 to 5, and climbs to 1 to 10 with the very top tier. The official documentation recommends the split itself: the small model for simple tasks, the mid-tier for the bulk of production, the large one for complex reasoning. Other providers show comparable gaps.

Read that again for a second. The provider itself tells you not to send everything to its most expensive model. And it publishes two mechanisms most teams never switch on: batch processing, which halves the bill on anything that isn’t real-time, and prompt caching, which cuts the cost of repeated tokens by 90% from one call to the next.

The saving is documented, public, a config setting away. Whoever pays five times the price has chosen to pay five times the price.

How do you route models without sacrificing quality?

The editorial platform we run orchestrates 13 specialised agents across an 11-step workflow. They don’t all use the same model by default. None of this was bolted on afterwards: from day one, every stage of the pipeline knows what it’s allowed to spend.

• Entry-level — Tone of voice, SEO optimizer, schema.org, compliance legal, formatter packager
• Mid-tier — Trends & Keywords, structure outline, originality check, editor dedup, final review, linkedin comment
• Top-tier — Writer, human editorial pass

« 85% of our API calls never touch the premium model. »

The result: our costs hold steady. Not thanks to a negotiated discount, but because the routing was in the plans before the first request.

Why do so few teams actually route their models?

Let’s be fair to the teams that don’t route: it isn’t free. You have to classify the requests, maintain the mapping table, evaluate continuously. Badly calibrated routing sends hard tasks to models that fumble them, and the savings evaporate in rework. It’s systems work. Not a setting.

And that’s exactly why this goes beyond the bill. An application that routes well is an application where someone has defined what each stage demands. A controlled cost isn’t a financial performance, it’s the visible trace of an architecture that was thought through. A runaway bill tells the opposite story.

What questions put you back in control of your AI bill?

Three questions comfortably replace the next alarmed post.

• What share of your requests genuinely needs your most expensive model?
• Do your asynchronous jobs go through batch mode?
• Is your repeated context cached?

Three questions, three factual answers. And most of the time, a double-digit reduction without switching provider or giving up a single point of quality.

Next time a post tells you AI costs are uncontrollable, translate it: theirs are.

The prices quoted are from Anthropic’s public documentation, consulted in July 2026. The subscription amounts refer to my own individual account; enterprise accounts have their own rules. The editorial platform mentioned is NOMO IA, published by Fast Growth Advisors.

Sources

1. Anthropic — Pricing (per-model rate cards) (consulted 17 July 2026)
2. Anthropic — Prompt caching (cache reads at 0.1× input price) (consulted 17 July 2026)
3. Anthropic — Message Batches API (asynchronous processing at half price) (consulted 17 July 2026)
4. Anthropic — Choosing a model (matching models to task complexity) (consulted 17 July 2026)

Frequently asked questions

Can a subscription AI bill explode?
No. On a subscription you set a tier and a monthly limit, and you choose whether to enable automatic top-up. The amount is capped by a decision you signed off on. The only billing model where spend can genuinely drift is the API, charged by usage.

Why do AI API bills drift out of control?
Because every request goes to the most expensive model, including simple tasks (classification, tagging, extraction) a small model would handle perfectly. It’s the model wired in on day one and never reviewed since. The problem isn’t the price of AI, it’s the absence of routing.

How do you cut an AI API bill without switching provider?
Three levers Anthropic documents itself: route simple tasks to entry-level models (5 to 10 times cheaper than premium), use batch processing for anything asynchronous (half price), and cache repeated context (up to 90% off reused tokens). Combined, they usually produce a double-digit reduction.

What is model routing?
It’s assigning each task to the cheapest model that can handle it correctly, instead of sending everything to the most powerful one. At NOMO IA, 13 agents across an 11-step workflow use three model tiers depending on what each step demands; 85% of calls never touch the premium model.

Do batch and prompt caching degrade quality?
No. Batch processing changes neither the model nor the result: it handles non-urgent requests asynchronously at half price. Prompt caching reuses identical context from one call to the next without charging full rate again. Output quality is the same; only the cost drops.

LinkedIn croule sous les posts alarmés sur l’explosion des budgets IA. Après un an à faire tourner une plateforme multi-agents en production, je vais dire une chose impopulaire : une facture qui explose n’est pas une fatalité du marché. C’est le symptôme d’un choix que personne n’a fait.

Le genre est devenu un rituel. Une capture de facture, un chiffre qui fait peur, un appel à la prudence sur « ces coûts qui déraillent ». Des centaines de posts par semaine, tous construits pareil.

Abonnement ou API : où une facture d’IA peut-elle vraiment exploser ?

Commençons par préciser le terrain, parce que la confusion nourrit la panique. En abonnement, l’explosion est impossible par construction. Vous choisissez votre palier, vous acceptez ou non le rechargement automatique, vous fixez la limite mensuelle à ne pas dépasser.

J’ai moi-même fait l’ascenseur chez Anthropic : 20 euros, puis 90, puis 200, redescendu à 90, remonté à 200. À chaque étage, un plafond que j’avais signé. Jamais une surprise, jamais un dérapage, par définition. Le montant, c’est vous qui le décidez, à la hausse comme à la baisse.

Reste donc un seul terrain où une facture peut réellement déraper : l’API, facturée à l’usage. Et c’est précisément là que presque personne ne pilote.

Posez la seule question utile : qu’est-ce qui, exactement, part vers votre modèle le plus cher ? La réponse est presque toujours la même. Tout. La classification d’un ticket, l’étiquetage d’un contenu, la vérification d’une longueur, l’extraction d’une date. Des tâches qu’un modèle d’entrée de gamme traite parfaitement partent vers le premium, requête après requête, parce que c’est le modèle qu’on a branché le premier jour et que personne n’y a retouché depuis. Ce n’est pas l’IA qui coûte cher. C’est l’absence de décision.

Que montrent les grilles tarifaires que les posts alarmés ignorent ?

Les grilles tarifaires sont publiques. Chez Anthropic, l’écart entre le modèle rapide (1 dollar le million de tokens en entrée) et le modèle de raisonnement (5 dollars) va de 1 à 5, et monte à 1 à 10 avec le très haut de gamme. La documentation officielle recommande elle-même la répartition : le petit modèle pour les tâches simples, l’intermédiaire pour l’essentiel de la production, le grand pour le raisonnement complexe. Les autres fournisseurs affichent des écarts comparables.

Relisez ça une seconde. Le fournisseur lui-même vous dit de ne pas tout envoyer à son modèle le plus cher. Et il publie deux mécanismes que la plupart des équipes n’activent jamais : le traitement par lots, qui divise la facture par deux sur tout ce qui n’est pas temps réel, et le cache de prompt, qui réduit de 90 % le coût des tokens répétés d’un appel à l’autre.

La baisse de facture est documentée, publique, à portée de configuration. Celui qui paie cinq fois le prix a choisi de payer cinq fois le prix.

Comment router les modèles sans sacrifier la qualité ?

La plateforme éditoriale que nous éditons orchestre 13 agents spécialisés sur un workflow en 11 étapes. Tous n’utilisent pas le même modèle par défaut. Rien de tout cela n’a été ajouté après coup : chaque étape du pipeline sait, dès le premier jour, ce qu’elle a le droit de consommer.

• Entrée de gamme — Tone of voice, SEO optimizer, schema.org, compliance legal, formatter packager
• Milieu de gamme — Trends & Keywords, structure outline, originality check, editor dedup, final review, linkedin comment
• Haut de gamme — Writer, human editorial pass

« 85 % de nos appels API ne touchent jamais le modèle premium. »

Résultat : nos coûts sont maintenus. Pas grâce à une remise négociée, mais parce que le routage était dans les plans avant la première requête.

Pourquoi si peu d’équipes routent-elles vraiment leurs modèles ?

Soyons justes avec les équipes qui ne routent pas : ce n’est pas gratuit. Il faut classifier les requêtes, maintenir la table de correspondance, évaluer en continu. Un routage mal calibré envoie des tâches difficiles vers des modèles qui les ratent, et les économies s’évaporent en reprises. C’est un travail de système. Pas un réglage.

Et c’est exactement pour ça que le sujet dépasse la facture. Une application qui route bien est une application dont on a défini ce que chaque étape exige. Le coût maîtrisé n’est pas une performance financière, c’est la trace visible d’une architecture pensée. Une facture qui explose raconte l’inverse.

Quelles questions poser pour reprendre le contrôle de sa facture IA ?

Trois questions remplacent avantageusement le prochain post alarmé.

• Quelle part de vos requêtes exige réellement votre modèle le plus cher ?
• Vos traitements asynchrones passent-ils par le mode batch ?
• Votre contexte répété est-il en cache ?

Trois questions, trois réponses factuelles. Et le plus souvent, une réduction à deux chiffres sans changer de fournisseur ni sacrifier un point de qualité.

La prochaine fois qu’un post vous annonce que les coûts de l’IA sont incontrôlables, traduisez : les siens le sont.

Les tarifs cités sont ceux de la documentation publique d’Anthropic, consultée en juillet 2026. Les montants d’abonnement correspondent à mon propre compte individuel ; les comptes entreprise ont leurs propres règles. La plateforme éditoriale mentionnée est NOMO IA, éditée par Fast Growth Advisors.

Sources

1. Anthropic — Pricing (grilles tarifaires par modèle) (consulté le 17 juil. 2026)
2. Anthropic — Prompt caching (cache read à 0,1× le prix d’entrée) (consulté le 17 juil. 2026)
3. Anthropic — Message Batches API (traitement asynchrone à moitié prix) (consulté le 17 juil. 2026)
4. Anthropic — Choosing a model (répartition des modèles par complexité) (consulté le 17 juil. 2026)

Questions fréquentes

Une facture d’abonnement IA peut-elle exploser ?
Non. En abonnement, vous fixez un palier et une limite mensuelle, et vous décidez d’activer ou non le rechargement automatique. Le montant est plafonné par un choix que vous avez signé. Le seul mode de facturation où une dépense peut réellement déraper est l’API, facturée à l’usage.

Pourquoi les factures d’API IA dérapent-elles ?
Parce que toutes les requêtes partent vers le modèle le plus cher, y compris les tâches simples (classification, étiquetage, extraction) qu’un petit modèle traiterait parfaitement. C’est le modèle branché le premier jour, jamais réévalué depuis. Le problème n’est pas le prix de l’IA, mais l’absence de routage.

Comment réduire une facture d’API IA sans changer de fournisseur ?
Trois leviers documentés par Anthropic : router les tâches simples vers les modèles d’entrée de gamme (5 à 10 fois moins chers que le premium), activer le traitement par lots pour l’asynchrone (moitié prix), et mettre en cache le contexte répété (jusqu’à 90 % d’économie sur les tokens réutilisés). Combinés, ils produisent le plus souvent une réduction à deux chiffres.

Qu’est-ce que le routage de modèles IA ?
C’est le fait d’affecter chaque tâche au modèle le moins cher capable de la traiter correctement, au lieu de tout envoyer au modèle le plus puissant. Chez NOMO IA, 13 agents répartis sur un workflow en 11 étapes utilisent trois niveaux de modèles selon l’exigence de chaque étape ; 85 % des appels ne touchent jamais le modèle premium.

Le batch et le cache de prompt dégradent-ils la qualité ?
Non. Le traitement par lots ne change ni le modèle ni le résultat : il traite les requêtes non urgentes de façon asynchrone, à moitié prix. Le cache de prompt réutilise le contexte identique d’un appel à l’autre sans le refacturer plein tarif. La qualité de sortie est la même ; seul le coût baisse.

A funding round, and you add a promise to reassure investors. An acquisition, and you make two messages that never spoke to each other coexist. An international move, and you dilute the message so it travels everywhere. A new offering, and you stretch the list so nothing gets left out. Each decision, on its own, is reasonable. The sum, accumulated, is not.

It’s a debt. Not technical debt, not editorial debt. Message debt.

A debt that shows up on no balance sheet

The comparison with technical debt holds, as long as you keep it simple: the longer you postpone maintenance, the slower, riskier and costlier every fix becomes. Your message obeys the same rule.

Except it appears nowhere in your accounts. You never receive an invoice labeled « accumulated blur. » You pay in interest, elsewhere: a sales cycle that drags because the prospect has to guess what you do, a deal lost to a competitor with a weaker product but a sharper sentence, an analyst or an AI unable to restate your value in one line.

Our Message-Market Fit Observatory measured this clarity across 369 recently funded French companies. Average score: 5.3 out of 10. Three companies in four below the legibility threshold. The interest is running. It simply doesn’t show up where you look.

What message debt looks like

Take a young company whose promise fits in one line: « We cut SMBs’ accounting close time in half. » Crystal clear. A funding round arrives, and you add « financial steering platform. » A new segment, and it becomes « for SMBs and mid-market. » An AI module, and now it’s « augmented by artificial intelligence. » Two years on, the site announces « the all-in-one augmented financial performance platform for ambitious organizations. » Every addition was defensible. No one knows what the company does anymore.

The first sentence needed no explanation. The last one demands one.

Blurring is almost never a mistake

No one wakes up deciding to be unreadable. The debt builds from good intentions: include everyone, exclude no one, honor the brand’s history, accommodate every stakeholder. Layer after layer, the message ends up describing a category rather than a company.

The most counterintuitive part is that the most established companies are often among the least legible. Not because they’re less capable. Because they’ve had more years to pile up the layers. The website only makes visible a trade-off no one settled internally.

No one decides to be unreadable. You become it, layer after layer.

The three ages of the debt

The same debt doesn’t weigh the same at every age.

The established company pays the interest, every day. Rewriting its message means touching dozens of pages, several teams, ingrained habits and an internal identity built on the old words. The job is heavy, and political.

The scale-up watches the debt swell. New products, new segments, new geographies, a new round: each step adds a layer faster than the message gets revisited.

The startup has almost no debt. Few products, one segment, a story still malleable. It’s the one moment when clarifying the message costs almost nothing.

For a startup, clarifying the message doesn’t cost much yet. For everyone else, the meter is already running.

Why the interest compounds over time

Each layer makes the next one harder to remove. There are more stakeholders to align, more legacy promises to honor, more internal pride attached to the wording in place. The trade-off gets a little more political every year.

And a new player just raised the stakes. B2B buyers now shortlist through AI assistants, which read your message, interpret it and decide whether to cite you. A blurry message gives the model nothing solid to restate. It melts you into a generic mention, or leaves you out. In our study, the ability to be read correctly by these engines tops out at 18% of potential.

The debt that used to cost you sales cycles is starting to cost you recommendations.

Producing more doesn’t pay down the debt

This is the most common confusion. Faced with a message that no longer lands, you publish more: more articles, more pages, more campaigns. You tidy the content. But if the message underneath stays blurry, all you have done is put the blur in order, at greater scale. Content comes after the message, never the reverse.

You don’t pay down message debt by writing more. You pay it down by deciding.

What startups can do that their elders no longer can

The point isn’t to lecture young companies. It’s to flag a window the others let close.

Treat the message as a founding decision, not a marketing task to delegate « later. » Decide what you are, and for whom, in a few sentences backed by proof. Lock it. Then revisit it deliberately at each round, instead of letting it drift layer after layer.

At each round, one question is enough: what did we add to the message, and what should we have taken out in exchange?

The discipline isn’t to freeze your message. It’s to refuse to capitalize confusion.

Startups won’t escape the complexity that comes with growth. But they can choose not to inherit their elders’ debt. The right time to clarify your message is before you can afford to pay the interest.

Clarity is an asset. Blur is a debt. Both compound.

FAQ

What is message debt?

It’s the accumulation, over time, of layers of messaging added at each round, product, segment or pivot, until the company describes a category rather than itself. Like a debt, it’s paid in interest: longer sales cycles, deals lost to clearer competitors, and growing invisibility to AI engines.

How is it different from editorial debt?

Editorial debt is about content: contradictory pages, maintenance, the internal cost of production and approval. Message debt is about substance: the clarity and differentiation of what you say. It sits upstream. You can clean up your content and fix nothing if the underlying message stays blurry.

Why are startups best placed to act?

Because they have few products, one segment, a story still malleable, so almost no debt. Fixing the message at that stage costs almost nothing. The bigger the company grows, the slower, costlier and more political every rewrite becomes.

How do I know if my company has message debt?

A quick test: try to say in three sentences what you do, what sets you apart and the value you deliver, with proof. If you can’t do it in thirty seconds, no customer, no analyst and no AI will do it for you.

Une levée, et l’on ajoute une promesse pour rassurer les investisseurs. Une acquisition, et l’on fait cohabiter deux discours qui ne se parlaient pas. Une expansion à l’international, et l’on dilue le message pour qu’il passe partout. Une nouvelle offre, et l’on rallonge la liste pour ne rien laisser de côté. Chaque décision, prise isolément, est raisonnable. Le résultat, accumulé, ne l’est plus.

C’est une dette. Pas une dette technique, pas une dette éditoriale. Une dette de message.

Une dette qui ne figure sur aucun bilan

La comparaison avec la dette technique est utile, à condition de la garder simple : plus vous repoussez l’entretien, plus chaque correction devient lente, risquée et coûteuse. Le message obéit à la même règle.

Sauf qu’il n’apparaît nulle part dans vos comptes. Vous ne recevez pas de facture intitulée « flou accumulé ». Vous payez en intérêts, ailleurs : un cycle de vente qui s’étire parce que le prospect doit deviner ce que vous faites, un deal qui part chez un concurrent au produit plus faible mais à la phrase plus nette, un analyste ou une IA incapables de redire votre valeur en une phrase.

Notre Observatoire du Message-Market Fit a mesuré cette clarté sur 369 entreprises françaises récemment financées. Score moyen : 5,3 sur 10. Trois entreprises sur quatre sous le seuil de lisibilité. Les intérêts courent. Ils ne s’affichent simplement pas là où vous regardez.

À quoi ressemble une dette de message

Prenez une jeune entreprise dont la promesse tient en une ligne : « Nous divisons par deux le temps de clôture comptable des PME. » Limpide. Arrive une levée, et l’on ajoute « plateforme de pilotage financier ». Un nouveau segment, et c’est « pour PME et ETI ». Une brique IA, et voilà « augmentée par l’intelligence artificielle ». Deux ans plus tard, le site annonce « la plateforme tout-en-un de performance financière augmentée par l’IA pour les organisations ambitieuses ». Chaque ajout était défendable. Plus personne ne sait ce que fait l’entreprise.

La première phrase se passait d’explication. La dernière en exige une.

Le flou n’est presque jamais une faute

Personne ne se réveille en décidant d’être illisible. La dette s’accumule à partir de bonnes intentions : inclure tout le monde, n’exclure personne, honorer l’histoire de la marque, ménager chaque partie prenante. Couche après couche, le message finit par décrire une catégorie plutôt qu’une entreprise.

Le plus contre-intuitif, c’est que les entreprises les plus établies comptent souvent parmi les moins lisibles. Pas parce qu’elles seraient moins compétentes. Parce qu’elles ont eu plus d’années pour empiler les strates. Le site ne fait alors que rendre visible un arbitrage que personne n’a tranché en interne.

Personne ne décide d’être illisible. On le devient, strate après strate.

Les trois âges de la dette

La même dette ne pèse pas du même poids selon l’âge de l’entreprise.

L’entreprise établie paie les intérêts, tous les jours. Réécrire son message revient à toucher des dizaines de pages, plusieurs équipes, des habitudes installées et une identité interne bâtie sur les anciens mots. Le chantier est lourd, et politique.

La scale-up voit la dette enfler à vue d’œil. Nouveaux produits, nouveaux segments, nouvelles géographies, nouveau tour : chaque étape ajoute une couche plus vite que le message n’est revisité.

La startup, elle, n’a presque pas de dette. Peu de produits, un segment, une histoire encore malléable. C’est l’unique moment où clarifier son message ne coûte presque rien.

Pour une startup, clarifier son message ne coûte pas encore cher. Pour les autres, le compteur tourne déjà.

Pourquoi les intérêts montent avec le temps

Chaque couche rend la suivante plus difficile à retirer. Il y a davantage d’interlocuteurs à aligner, davantage de promesses historiques à honorer, davantage de fierté interne attachée aux formulations en place. L’arbitrage devient un peu plus politique chaque année.

Et un nouvel acteur vient d’alourdir la note. Les acheteurs B2B présélectionnent désormais via des assistants IA, qui lisent votre message, l’interprètent et décident de vous citer ou non. Un message flou ne donne au modèle rien de solide à reformuler. Il vous fond dans une mention générique, ou vous omet. Dans notre étude, la capacité à être correctement lu par ces moteurs plafonne à 18 % du potentiel.

La dette qui vous coûtait des cycles de vente commence à vous coûter des recommandations.

Produire plus ne rembourse pas la dette

C’est la confusion la plus répandue. Face à un message qui ne porte plus, on publie davantage : plus d’articles, plus de pages, plus de campagnes. On met de l’ordre dans le contenu. Mais si le message qui le sous-tend reste flou, on ne fait que mettre le flou au propre, à plus grande échelle. Le contenu vient après le message, jamais l’inverse.

On ne rembourse pas une dette de message en écrivant davantage. On la rembourse en tranchant.

Ce que les startups peuvent faire que leurs aînées ne peuvent plus

L’enjeu n’est pas de sermonner les jeunes entreprises. Il est de leur signaler une fenêtre que les autres ont laissée se refermer.

Traiter le message comme une décision fondatrice, pas comme une tâche marketing que l’on déléguera « plus tard ». Décider ce que vous êtes, et pour qui, en quelques phrases adossées à des preuves. Le fixer. Puis le revisiter volontairement à chaque levée, au lieu de le laisser dériver couche après couche.

À chaque tour, une seule question suffit : qu’avons-nous ajouté au message, et qu’aurions-nous dû retirer en échange ?

La discipline ne consiste pas à figer son message. Elle consiste à refuser de capitaliser la confusion.

Les startups n’échapperont pas à la complexité qui vient avec la croissance. Mais elles peuvent choisir de ne pas hériter de la dette de leurs aînées. Le bon moment pour clarifier son message, c’est avant d’avoir les moyens d’en payer les intérêts.

La clarté est un actif. Le flou, une dette. Les deux se capitalisent.

FAQ

Qu’est-ce que la dette de message ?

C’est l’accumulation, au fil du temps, de couches de discours ajoutées à chaque levée, produit, segment ou pivot, jusqu’à ce que l’entreprise décrive une catégorie plutôt qu’elle-même. Comme une dette, elle se paie en intérêts : cycles de vente plus longs, deals perdus face à des concurrents plus clairs, et invisibilité croissante face aux moteurs IA.

En quoi diffère-t-elle de la dette éditoriale ?

La dette éditoriale concerne le contenu : pages qui se contredisent, maintenance, coûts internes de production et de validation. La dette de message concerne le fond : la clarté et la différenciation de ce que vous dites. Elle se situe en amont. On peut nettoyer son contenu sans rien régler si le message sous-jacent reste flou.

Pourquoi les startups sont-elles les mieux placées pour agir ?

Parce qu’elles ont peu de produits, un segment, une histoire encore malléable, donc une dette quasi nulle. Corriger le message à ce stade coûte presque rien. Plus l’entreprise grandit, plus chaque réécriture devient lente, coûteuse et politique.

Comment savoir si mon entreprise a une dette de message ?

Un test rapide : essayez de dire en trois phrases ce que vous faites, ce qui vous distingue et la valeur que vous délivrez, preuves à l’appui. Si vous n’y parvenez pas en trente secondes, ni un client, ni un analyste, ni une IA n’y parviendra à votre place.

C’est l’expérience qui ouvre le premier Observatoire du Message-Market Fit, que nous publions cette semaine chez Fast Growth Advisors. La première étude française à mesurer un écart que personne ne chiffrait jusqu’ici : la distance entre ce qu’une entreprise veut dire et ce que son marché comprend réellement.

Le terrain : 369 startups françaises ayant levé entre janvier 2024 et mars 2026.

Le verdict tient en une phrase. Trois sur quatre n’arrivent pas à se faire comprendre de leur propre marché. Et ça se paie.

Le constat : un problème de phrase, pas de produit

Les 369 entreprises analysées ont toutes convaincu des investisseurs exigeants et recruté des équipes solides. Le produit tient. Ce qui casse, c’est la traduction : transformer une technologie réelle en une promesse qu’un acheteur saisit en dix secondes.

Score moyen de clarté du message : 5,3 sur 10. Et 75,9 % du corpus passe sous le seuil critique, celui en dessous duquel un prospect décroche avant même de comprendre ce qu’on lui vend.

Lever des fonds n’y change rien. La corrélation entre le montant levé et la clarté du message est statistiquement nulle. Une Série B au discours générique reste une Série B au discours générique, avec plus de cash pour amplifier un message que personne ne retient.

« On voit des boîtes brillantes perdre des deals contre des concurrents moins bons, juste parce qu’en face on comprend en dix secondes ce qu’ils font. Ce n’est pas un problème de produit. C’est un problème de phrase. »

Cette phrase résume mieux que n’importe quelle statistique pourquoi nous avons lancé cet Observatoire.

Ce que le flou coûte vraiment à votre business

Le coût d’un message mal aligné n’apparaît dans aucun tableau de bord. Il se chiffre quand même.

Prenez une startup type : 2 M€ d’ARR, un cycle de vente de six mois. Un discours qui ralentit la décision d’achat représente de l’ordre de 180 000 € de revenus chaque année. Pas perdus. Décalés, ou captés par un concurrent au produit moins abouti mais au message plus net.

Le flou se règle à trois guichets.

Le premier, c’est le prospect. Près de 80 % du parcours d’achat B2B se déroule désormais sans le moindre commercial dans la boucle. Le site et le pitch deck plaident seuls. Quand ils ne convainquent pas vite, le cycle s’étire.

Le deuxième, on l’oublie presque toujours : les analystes. Gartner, Forrester, IDC alimentent en continu les shortlists que consultent les acheteurs. Une entreprise illisible n’y entre pas, quel que soit son budget.

Le troisième arrive à la revente. Une proposition de valeur que les équipes ne savent pas répéter décote la maturité commerciale perçue. Et la valorisation avec elle.

Aligner son message sur ce que son audience comprend n’est pas un exercice de style. C’est un levier de revenus, de pipeline et de valorisation. Le reste du marketing s’appuie dessus.

Pourquoi votre site n’est qu’un miroir

D’où vient le flou ? Rarement du copywriting. Presque toujours d’un arbitrage que personne n’a tranché en interne.

Quand on demande aux membres d’un comité de direction de présenter leur boîte en deux phrases, on a souvent l’impression qu’ils travaillent dans des entreprises différentes. Chacun sa cible, sa version, son argument préféré. Le site n’est pas flou par hasard. Il est flou parce qu’en interne, le choix n’a jamais été fait.

C’est la cause la plus coûteuse, parce qu’aucune refonte de page d’accueil ne la corrige durablement.

Il existe un test que chacun peut faire en cinq secondes. Remplacez le nom de votre entreprise par celui de votre concurrent dans votre slogan. Si la phrase reste vraie, le message ne vous appartient pas.

L’angle mort qui va se creuser : les moteurs IA

Demain, ce flou se paiera autrement. Les acheteurs B2B passent de plus en plus par des assistants comme ChatGPT, Perplexity, Claude ou Gemini pour présélectionner leurs fournisseurs. Ces moteurs ne citent pas le plus visible. Ils citent le plus clair, le plus spécifique, le mieux structuré.

L’Observatoire introduit une mesure pour ça : la GEO-readiness, soit la capacité d’un site à être lu, résumé et recommandé par une IA générative. Les startups françaises y plafonnent à 18 % de leur potentiel. Le score le plus bas de toute l’étude.

Traduction : une entreprise que les moteurs IA ne savent pas lire aujourd’hui sera absente de leurs réponses demain. Pas mal classée. Absente.

Un signal nouveau pour les investisseurs

L’étude compare aussi les portefeuilles de 25 fonds présents dans au moins quatre startups du corpus. D’un fonds à l’autre, la clarté moyenne du message des participations varie nettement.

Un signal jusqu’ici invisible, désormais mesurable, qui pourrait s’inviter dans les prochaines due diligences.

« Les meilleurs produits ne sont pas toujours ceux qui lèvent. Ce sont ceux qui se font comprendre. » L’observation vient du terrain de l’investissement, et elle déplace la question : la clarté du message n’est plus un sujet marketing. C’est un actif que les fonds commencent à regarder.

Ce que vous trouverez dans le rapport

Le rapport complet fait 46 pages, méthodologie détaillée comprise. Tout repose sur des données 100 % publiques : site, LinkedIn, presse, communiqués de levée. Exactement ce qu’un prospect consulte avant un premier rendez-vous. Rien de ce qu’une entreprise dit d’elle-même en privé n’entre dans le calcul.

Vous y trouverez la grille des quatre questions auxquelles toute entreprise devrait répondre en moins d’une minute, l’analyse du vocabulaire qui sépare ceux qui parlent du client de ceux qui parlent d’eux-mêmes, le détail de la GEO-readiness, et la comparaison par fonds. Le rapport est en accès libre sur la page Observatoire. Pour le cadre conceptuel, voir aussi notre article Message-market fit : pourquoi le PMF ne suffit plus.

L’Observatoire sera publié de façon semestrielle. Cette édition est la première. Elle pose une base de référence que les prochaines viendront mesurer dans le temps.

Une dernière chose, pour la route. Faites le test des cinq secondes sur votre propre slogan avant de lire le rapport. Vous saurez tout de suite dans quel camp vous êtes.

Et vous, votre message survit-il au test du logo masqué ?

À retenir

• 369 startups françaises post-levée analysées : score moyen de clarté 5,3/10, 75,9 % sous le seuil critique.
• Le montant levé n’améliore pas la clarté du message : corrélation statistiquement nulle.
• Un message flou coûte ~180 000 €/an de revenus différés pour une startup à 2 M€ d’ARR.
• GEO-readiness à 18 % du potentiel : le score le plus bas, et le plus risqué pour demain.
• Le flou naît d’un arbitrage interne non tranché, pas d’un problème de copywriting.

FAQ

Qu’est-ce que le Message-Market Fit, concrètement ?

C’est l’alignement entre ce qu’une entreprise dit d’elle et ce que son marché comprend. Le product-market fit valide que le produit répond à un besoin. Le message-market fit valide que l’acheteur saisit cette réponse assez vite pour agir. On peut avoir l’un sans l’autre, et beaucoup d’entreprises solides en font les frais.

Comment l’Observatoire mesure-t-il la clarté d’un message ?

À partir de sources 100 % publiques : site, LinkedIn, presse, communiqués de levée. L’analyse reproduit le parcours d’un prospect avant un premier rendez-vous, et évalue si quatre questions trouvent réponse en moins d’une minute : qui êtes-vous, ce que vous vendez, ce qui vous distingue, quelle valeur concrète pour le client.

Lever des fonds améliore-t-il la clarté du message ?

La plupart le supposent. Les données disent l’inverse : la corrélation entre montant levé et clarté est statistiquement nulle. Plus de cash sert souvent à diffuser plus largement un message qui n’a pas été tranché. Le budget amplifie, il ne clarifie pas.

Qu’est-ce que la GEO-readiness et pourquoi maintenant ?

La GEO-readiness mesure la capacité d’un site à être lu, résumé et recommandé par les moteurs IA. C’est le score le plus faible de l’étude, à 18 % du potentiel. Les acheteurs B2B utilisant de plus en plus ces assistants pour présélectionner, une entreprise illisible par l’IA disparaît des recommandations.

Comment accéder au rapport complet ?

Le rapport 2026, 46 pages avec méthodologie, est en accès libre sur la page Observatoire de fast-growth.fr. Vous pouvez aussi commencer par le test des cinq secondes décrit plus haut pour situer votre propre message avant la lecture.

That experiment opens the first Message-Market Fit Observatory, which we’re publishing this week at Fast Growth Advisors. The first French study to measure a gap nobody had quantified before: the distance between what a company means to say and what its market actually understands.

The field: 369 French startups that raised between January 2024 and March 2026.

The verdict fits in one sentence. Three out of four can’t make themselves understood by their own market. And it costs them.

The finding: a sentence problem, not a product problem

All 369 companies we analyzed convinced demanding investors and hired strong teams. The product holds up. What breaks is the translation: turning a real technology into a promise a buyer grasps in ten seconds.

Average message clarity score: 5.3 out of 10. And 75.9% of the sample falls below the critical threshold, the line under which a prospect drops off before even understanding what’s on offer.

Raising money changes nothing here. The correlation between the amount raised and message clarity is statistically nil. A Series B with a generic story is still a Series B with a generic story, only with more cash to amplify a message no one remembers.

« We see brilliant companies lose deals to weaker competitors, simply because the other side gets what they do in ten seconds. It’s not a product problem. It’s a sentence problem. »

That line sums up, better than any statistic, why we built this Observatory.

What the fog actually costs your business

The cost of a misaligned message shows up on no dashboard. It still adds up.

Take a typical startup: €2M ARR, a six-month sales cycle. A message that slows the buying decision represents roughly €180,000 in revenue every year. Not lost. Pushed back, or captured by a competitor with a weaker product but a sharper message.

The fog gets billed at three counters.

The first is the prospect. Nearly 80% of the B2B buying journey now happens with no salesperson in the loop. The website and the pitch deck plead the case alone. When they don’t convince fast, the cycle drags.

The second is the one almost everyone forgets: analysts. Gartner, Forrester, IDC feed the shortlists buyers consult. An unreadable company doesn’t make those lists, whatever its budget.

The third arrives at exit. A value proposition the team can’t repeat discounts perceived commercial maturity. And the valuation with it.

Aligning your message with what your audience understands isn’t a stylistic exercise. It’s a lever for revenue, pipeline and valuation. The rest of marketing rests on it.

Why your website is only a mirror

Where does the fog come from? Rarely from copywriting. Almost always from a call no one made internally.

Ask the members of an executive committee to describe their company in two sentences, and you often get the impression they work at different companies. Each has a target, a version, a favorite argument. The website isn’t vague by accident. It’s vague because, internally, the choice was never made.

That’s the most expensive cause, because no homepage redesign fixes it for long.

There’s a test anyone can run in five seconds. Swap your company name for a competitor’s in your tagline. If the sentence still holds true, the message doesn’t belong to you.

The blind spot that will widen: AI engines

Tomorrow, this fog gets billed differently. B2B buyers increasingly use assistants like ChatGPT, Perplexity, Claude or Gemini to shortlist vendors. These engines don’t cite the most visible. They cite the clearest, the most specific, the best structured.

The Observatory introduces a metric for that: GEO-readiness, the ability of a site to be read, summarized and recommended by a generative AI. French startups top out at 18% of their potential. The lowest score in the entire study.

Translation: a company AI engines can’t read today will be absent from their answers tomorrow. Not ranked low. Absent.

A new signal for investors

The study also compares the portfolios of 25 funds present in at least four startups in the corpus. From one fund to the next, the average message clarity of their holdings varies sharply.

A signal that was invisible until now, suddenly measurable, and one that could find its way into future due diligence.

« The best products aren’t always the ones that raise. They’re the ones that get understood. » The observation comes from the investing side, and it shifts the question: message clarity is no longer a marketing topic. It’s an asset funds are starting to watch.

What’s in the report

The full report runs 46 pages, detailed methodology included. Everything rests on 100% public data: website, LinkedIn, press, funding announcements. Exactly what a prospect checks before a first meeting. Nothing a company says about itself in private enters the calculation.

You’ll find the grid of four questions every company should answer in under a minute, the vocabulary analysis that separates those who talk about the customer from those who talk about themselves, the GEO-readiness detail, and the fund-by-fund comparison. The report is freely available on the Observatory page. For the conceptual frame, see also our article Message-Market Fit: Why Product-Market Fit Isn’t Enough Anymore.

The Observatory will be published twice a year. This is the first edition. It sets a baseline the next ones will measure against over time.

One last thing, for the road. Run the five-second test on your own tagline before you read the report. You’ll know right away which side you’re on.

So, does your message survive the masked-logo test?

Key takeaways

• 369 French post-funding startups analyzed: average clarity score 5.3/10, 75.9% below the critical threshold.
• The amount raised does not improve message clarity: correlation is statistically nil.
• A foggy message costs ~€180,000/year in deferred revenue for a €2M-ARR startup.
• GEO-readiness at 18% of potential: the lowest score, and the riskiest for what’s coming.
• The fog stems from an internal call never made, not from a copywriting problem.

FAQ

What is Message-Market Fit, exactly?

It’s the alignment between what a company says about itself and what its market understands. Product-market fit confirms the product answers a need. Message-market fit confirms the buyer grasps that answer fast enough to act. You can have one without the other, and plenty of solid companies pay the price.

How does the Observatory measure message clarity?

From 100% public sources: website, LinkedIn, press, funding announcements. The analysis reproduces a prospect’s path before a first meeting and checks whether four questions get answered in under a minute: who you are, what you sell, what sets you apart, what concrete value you bring the customer.

Does raising money improve message clarity?

Most people assume so. The data says the opposite: the correlation between amount raised and clarity is statistically nil. More cash often goes to broadcasting a message that was never settled. Budget amplifies, it doesn’t clarify.

What is GEO-readiness, and why now?

GEO-readiness measures a site’s ability to be read, summarized and recommended by AI engines. It’s the weakest score in the study, at 18% of potential. As B2B buyers increasingly use these assistants to shortlist, a company the AI can’t read disappears from the recommendations.

How do I access the full report?

The 2026 report, 46 pages with methodology, is freely available on the Observatory page at fast-growth.fr. You can also start with the five-second test above to place your own message before reading.