# AI COMMAND // SOM SCORECARD PROTOCOL v2.0
## Annexe Recommandations : Paliers 2, 4, 5, 6 et Risque Transverse
### Mai 2026 · ELMARQ × AI COMMAND

> Annexe au protocole méthodologique [som-scorecard-protocol-v2.md](som-scorecard-protocol-v2.md). Documente intégralement les leviers d'action par palier de score SOM (D, B, A, A+), ainsi que le playbook complet de mitigation du risque mono-model collapse. Les paliers 1 (F) et 3 (C) sont publiés directement dans le protocole principal Part 11.2.

---

## ANNEXE.0 : RAPPEL ARCHITECTURAL

Le moteur de recommandations AI COMMAND v5.1 est purement algorithmique. Aucune recommandation n'est générée par LLM. Cette contrainte garantit :

1. **Reproductibilité** : un même score SOM produit le même set de recommandations, indépendamment du moment ou de l'opérateur
2. **Absence d'hallucination** : aucun LLM ne peut inventer une action qui n'existe pas dans le catalogue calibré
3. **Auditabilité** : toute recommandation peut être tracée à la règle algorithmique qui l'a déclenchée
4. **Calibration empirique** : chaque levier dispose d'une plage d'impact mesurée sur l'historique cas clients AI COMMAND

L'architecture est modulaire :

| Module | Trigger | Output |
|---|---|---|
| Score-tier matcher | `score < 20` à `score ≥ 90` | Sélection palier (1 à 6) |
| Factor-weak detector | Facteur < 70% du max théorique | Recommandations ciblées par facteur |
| Mono-model risk detector | `1 modèle citant, 2+ inactifs, score > 0` | Playbook transverse |
| Quick-win classifier | Effort ≤ 4h ET horizon ≤ 30j ET impact ≥ +3 pts | Étiquette `quick_win=true` |
| Strategic-move classifier | Effort ≥ 1 semaine OR horizon ≥ 90j | Étiquette `strategic=true` |
| Continuous classifier | Effort récurrent mensuel/trimestriel | Étiquette `continuous=true` |

Chaque palier ci-dessous contient 5 leviers principaux. La plateforme AI COMMAND en injecte d'autres en fonction des facteurs faibles spécifiques détectés (calibration produit propriétaire). Cette annexe publie le socle commun reproductible.

---

## ANNEXE.1 : PALIER 2 : Score 20 à 40, Grade D

### 1.1 Diagnostic typique

Une marque en palier D est connue ponctuellement par les LLM mais sans densité de citation. Elle apparaît typiquement :

- Citée à brand-aware (`Que peux-tu me dire sur [marque] ?`) : oui, souvent en `narrative_role=passing` ou `supporting`
- Citée à comparison (`[marque] vs [concurrent]`) : oui mais en position 3 à 5
- Citée à category-generic (`Meilleure solution X en France ?`) : non ou rarement
- Citée à use-case (`Je suis [persona] et je dois [action]`) : non

Cette signature révèle une marque qui a posé les bases (site, présence sociale minimale, quelques citations spécialisées) mais qui n'est pas encore **triangulée par des sources tierces indépendantes**. Les LLM la connaissent par sa propre voix, pas par l'écho qu'elle génère.

### 1.2 Stratégie dominante : triangulation tierce

L'objectif de palier D vers C est de provoquer entre 5 et 10 mentions tierces vérifiables par des sources de tier 1 ou 2 (presse, spécialisés, communautés autorisées) en 60 à 120 jours. Les 5 leviers ci-dessous sont calibrés pour produire ensemble un saut médian de +15 à +25 points SOM.

### 1.3 Les 5 leviers Palier 2

| # | Action | Source | Facteur amélioré | Impact estimé | Effort | Horizon | Étiquette |
|---|---|---|---|---|---|---|---|
| 1 | Obtenir 2 mentions presse tier1 (Le Monde, Les Echos, BFM, La Tribune, L'Usine Nouvelle) via campagne RP ciblée | Profound 2026 | Authority tier (1.20) + Evidence type (1.00) | +6 à +12 pts | 10 à 25 K€ RP externe | 60 à 90 jours | strategic |
| 2 | Inscrire la marque sur 3 plateformes spécialisées du secteur (G2, Capterra, Trustpilot pour SaaS ; Pap.fr, SeLoger pour immobilier ; etc.) avec 5+ avis vérifiés | AirOps 2025 | Evidence type (verified_reviews 1.15) + Source diversity | +5 à +10 pts | 2 semaines collecte avis | 60 jours | strategic |
| 3 | Publier 2 case studies clients chiffrés sur le site, structurés Schema.org (CaseStudy, Organization) | Princeton GEO 2024 | Evidence type (case_study 1.05) + Knowledge freshness | +3 à +7 pts | 3 semaines rédaction et validation client | 30 jours | strategic |
| 4 | Devenir intervenant dans 2 podcasts ou conférences sectorielles avec captations publiables | Erlin 2026 | Source diversity + Authority tier | +3 à +6 pts | 1 jour de prise de parole + edit | 90 jours | strategic |
| 5 | Mettre à jour la fiche LinkedIn entreprise avec données chiffrées récentes (CA, effectif, dates clés) et publier 2 posts/mois en thought leadership | Profound 2026 | Authority tier (tier1_linkedin 1.15) + Knowledge freshness | +4 à +8 pts | 4h initial + 4h/mois | 60 jours puis continu | continuous |

### 1.4 Anti-pattern à éviter

- **Achat de citations payantes** : les LLM détectent et déclassent les mentions issues de fermes de contenu
- **Multiplication des microblogs** : 10 articles sur 10 sites peu autoritaires comptent moins qu'1 article sur Le Monde
- **Mention forcée dans des comparatifs** : si la mention est manifestement payée, le `recommendation_strength` chute drastiquement

### 1.5 Trajectoire attendue D → C en 90 jours

Un client palier D qui exécute 4 des 5 leviers ci-dessus avec sérieux observe typiquement :

- T+30 jours : +3 à +6 pts (mise en place LinkedIn et plateformes spécialisées)
- T+60 jours : +5 à +12 pts (premiers retours RP)
- T+90 jours : +8 à +18 pts (effet cumul et triangulation effective)

Les 18% restants pour atteindre la médiane C (45 pts) demandent généralement un palier 3 supplémentaire.

---

## ANNEXE.2 : PALIER 4 : Score 60 à 80, Grade B

### 2.1 Diagnostic typique

Une marque en palier B est correctement reconnue mais sous-performante face aux leaders. Elle apparaît typiquement :

- Citée à brand-aware : oui, en `narrative_role=primary` ou `supporting`
- Citée à comparison : oui, en position 2 à 3 (rarement 1)
- Citée à category-generic : oui partiellement, surtout sur les requêtes secondaires (poids 0.70 à 0.85)
- Absence ou faiblesse sur les requêtes transactionnelles à fort intent (poids ≥ 0.95)

La signature révèle une marque qui **gagne du terrain mais pas encore les batailles décisives**. Les LLM la considèrent légitime mais préfèrent d'autres références sur les questions à fort enjeu commercial.

### 2.2 Stratégie dominante : densification multi-plateformes et capture transactionnelle

L'objectif de palier B vers A est double : (a) atteindre 4 ou plus plateformes actives (effet seuil Erlin 2026 : ×2.8 citations ChatGPT), (b) **gagner les requêtes transactionnelles à poids ≥ 0.95** où les leaders sectoriels dominent. Les 5 leviers ci-dessous produisent ensemble un saut médian de +10 à +18 points.

### 2.3 Les 5 leviers Palier 4

| # | Action | Source | Facteur amélioré | Impact estimé | Effort | Horizon | Étiquette |
|---|---|---|---|---|---|---|---|
| 1 | Atteindre 4+ plateformes actives simultanément (site + LinkedIn + YouTube + au moins une plateforme spécialisée du secteur) | Erlin 2026 | Source diversity (+12% bonus à 5 sources) + Authority tier | +5 à +10 pts | 2 mois cadencé | 120 jours | continuous |
| 2 | Créer un baromètre annuel ou semestriel publié comme étude propriétaire avec données chiffrées (échantillon ≥ 500 répondants, méthodologie publiée) | AirOps 2025 | Evidence type (documented_features 1.10) + Knowledge freshness (2026 = 1.00) | +6 à +12 pts | 30 à 80 K€ étude externe | 6 mois | strategic |
| 3 | Optimiser 5 pages de comparaison vs concurrents (`[marque] vs [concurrent]`) avec arbres décisionnels et critères chiffrés | Princeton GEO 2024 | Position decay (cible position 1) + Narrative role (primary → hero) | +4 à +9 pts | 2 à 3 semaines rédaction et SEO | 60 jours | strategic |
| 4 | Obtenir une certification reconnue du secteur (ISO 27001 pour SaaS, HDS pour santé, Qualiopi pour formation, etc.) | AirOps 2025 | Evidence type (certification 1.10) + Authority tier | +4 à +8 pts | 6 à 12 mois processus | 12 mois | strategic |
| 5 | Lancer un programme de témoignages clients vidéo (10 vidéos publiées sur YouTube + LinkedIn) | Profound 2026 | Evidence type (case_study 1.05) + Source diversity (vidéo) | +3 à +6 pts | 3 semaines tournage + edit | 90 jours | strategic |

### 2.4 Anti-pattern à éviter

- **Multiplication horizontale sans densification** : être sur 8 plateformes inactives compte moins qu'être sur 4 plateformes vraiment vivantes
- **Études marketing déguisées** : un baromètre dont la méthodologie n'est pas publiée et l'échantillon n'est pas vérifiable génère un `evidence_type=community_reputation` plutôt que `documented_features`
- **Comparatifs auto-favorables non sourcés** : les LLM détectent et déclassent

### 2.5 Trajectoire attendue B → A en 6 mois

Le passage B → A est statistiquement plus rare et plus coûteux que D → C. La courbe d'investissement marginal devient défavorable. Un saut de +10 pts en B → A nécessite typiquement 50 000€ à 200 000€ d'investissement marketing dirigé.

- T+90 jours : +3 à +5 pts (densification plateformes + comparatifs)
- T+180 jours : +6 à +12 pts (baromètre publié + certification obtenue)
- T+360 jours : +10 à +18 pts (effet cumul des leviers)

---

## ANNEXE.3 : PALIER 5 : Score 80 à 90, Grade A

### 3.1 Diagnostic typique

Une marque en palier A est régulièrement citée comme leader. Elle apparaît typiquement :

- Citée à brand-aware : `narrative_role=hero` ou `primary` systématiquement
- Citée à comparison : position 1 à 2 sur la majorité des comparaisons
- Citée à category-generic : oui, recommandée parmi les 3 leaders systématiques
- Présente sur 80% ou plus des requêtes transactionnelles à fort intent

La signature révèle une marque **reconnue comme référence par les LLM**, mais qui n'a pas encore atteint le statut de "défaut sectoriel" (le `hero` réflexe que les modèles donnent sans hésiter). Le passage A → A+ est la barrière la plus difficile du protocole.

### 3.2 Stratégie dominante : consolidation d'autorité

L'objectif est de basculer la marque en référent par défaut sectoriel. Cela passe par : (a) la **densification d'autorité tier1** (presse majeure, citations académiques, awards reconnus), (b) la **production de signaux GEO impossibles à reproduire** (données primaires propriétaires, IP, leadership intellectuel public). Les 5 leviers ci-dessous produisent ensemble un saut médian de +5 à +10 points, mais sur 12 à 24 mois.

### 3.3 Les 5 leviers Palier 5

| # | Action | Source | Facteur amélioré | Impact estimé | Effort | Horizon | Étiquette |
|---|---|---|---|---|---|---|---|
| 1 | Publier 1 article scientifique ou un livre blanc cité dans la presse spécialisée majeure (Les Echos, La Tribune, Décideurs, etc.) | Princeton GEO 2024 | Evidence type (case_study 1.05) + Authority tier (tier1_press 1.20) | +3 à +6 pts | 3 à 6 mois rédaction et coordination | 12 mois | strategic |
| 2 | Devenir interlocuteur référent presse tier1 sur le secteur (5+ citations dans Le Monde, Les Echos, BFM, France Info en 12 mois) | Profound 2026 | Authority tier (tier1_press 1.20 systématique) + Source diversity | +3 à +5 pts | RP cadencé continu | 12 mois puis continu | continuous |
| 3 | Obtenir un award sectoriel reconnu (Trophée des Echos, Ladn, Stratégies, Innovation Award sectoriel) | AirOps 2025 | Evidence type (certification 1.10) + Narrative role (primary → hero) | +2 à +4 pts | Candidature et campagne ciblée | 6 à 12 mois | strategic |
| 4 | Établir un partenariat académique formel (chaire, observatoire, programme de recherche) avec une institution tier1 (HEC, Sciences Po, Polytechnique, INSEAD) | Princeton GEO 2024 | Evidence type (case_study) + Authority tier + Knowledge freshness | +3 à +7 pts | Négociation 6 mois + lancement 12 mois | 18 mois | strategic |
| 5 | Publier des données primaires exclusives en open data avec licence vérifiable (étude annuelle ouverte, dataset public, observatoire en ligne) | Princeton GEO 2024 | Evidence type (documented_features 1.10) + Knowledge freshness + Authority tier (par citations dérivées) | +4 à +8 pts | 60 à 150 K€ infrastructure et étude | 12 mois puis continu | strategic |

### 3.4 Anti-pattern à éviter

- **Citations payées en presse tier1** : les LLM détectent les contenus sponsorisés non disclosés, et la pénalité est massive (passage en `tier4_blog`)
- **Awards de complaisance** : un award peu reconnu dégrade le signal plutôt que de l'améliorer
- **Données propriétaires non auditables** : un dataset publié sans méthodologie vérifiable est traité en `community_reputation` (poids 0.90 vs 1.10 pour `documented_features`)

### 3.5 Trajectoire attendue A → A+ en 18 à 24 mois

Le palier A+ est statistiquement rare (moins de 2% du corpus AI COMMAND). Le passage A → A+ exige typiquement :

- Un budget marketing dédié de 200 000€+ sur 18 mois
- Une équipe RP intégrée ou une agence senior
- Un capital narratif cohérent (CEO incarnant, vision sectorielle publiée)
- Une réussite vérifiable et chiffrable (croissance, levée, IP, exit, etc.)

Sans ces préalables, viser A+ est un investissement à perte. Le grade A est déjà excellent commercialement.

---

## ANNEXE.4 : PALIER 6 : Score ≥ 90, Grade A+

### 4.1 Diagnostic typique

Une marque en palier A+ est la **référence par défaut sectorielle** dans les réponses LLM. Elle apparaît typiquement :

- Citée à brand-aware : `narrative_role=hero` quasi systématique
- Citée à category-generic : position 1 dans 70% ou plus des requêtes
- Citée à comparison : position 1 sur la quasi-totalité des comparaisons
- Mentionnée sur 90%+ des requêtes transactionnelles
- 5+ types de sources distincts citent la marque (`source_diversity_bonus = 1.12` plafond)
- Cited par les 6 modèles sur la majorité des requêtes (`consensus_factor` moyen ≥ 0.90)

La marque a atteint le sommet structurel possible. Les facteurs marginaux d'amélioration deviennent inférieurs à la variance naturelle des LLM.

### 4.2 Stratégie dominante : maintenance et défense

L'objectif est de **préserver le score** face à : (a) la **volatilité des modèles** (drift mensuel 40 à 60% selon Digital Bloom 2025), (b) **l'arrivée de challengers émergents** capables de capter des positions transactionnelles, (c) le **risque mono-model collapse** si un modèle pivote ses sources de référence. Les 5 leviers sont des actions de défense, pas de croissance.

### 4.3 Les 5 leviers Palier 6

| # | Action | Source | Facteur défendu | Impact défensif | Effort | Cadence | Étiquette |
|---|---|---|---|---|---|---|---|
| 1 | Monitoring mensuel automatisé du score SOM avec alertes sur deltas ≥ 5 pts ou bascule de modèle de `cited` à `uncited` | Digital Bloom 2025 | Tous (alerting transverse) | Préservation score (évite -3 à -8 pts non détectés) | Plateforme AI COMMAND ou équivalent | Mensuel continu | continuous |
| 2 | Renouvellement annuel des données primaires publiques (baromètre, observatoire, datasets) pour maintenir `knowledge_freshness=2026` | Growth Memo 2026 | Knowledge freshness (1.00 maintenu) | -0 à +1 pt vs drift naturel | 30 à 60 K€/an étude renouvelée | Annuel | continuous |
| 3 | Veille concurrentielle GEO sur les 5 challengers émergents : tracker leur progression score SOM et leurs sources d'autorité montantes | Princeton GEO 2024 | Tous (par anticipation) | Préservation position (évite -5 à -10 pts en 6 mois si challenger captures positions) | 4h/mois analyse | Mensuel | continuous |
| 4 | Publication trimestrielle d'un thought leadership signé CEO ou expert référent (tribune, podcast invité, keynote) sur le canal de plus haute autorité (Les Echos, BFM, podcast leader sectoriel) | Profound 2026 | Authority tier (tier1_press maintenu) + Knowledge freshness | -0 à +2 pts vs drift | 1 jour CEO/trimestre + production | Trimestriel | continuous |
| 5 | Audit GEO indépendant tiers (cabinet ou universitaire) annuel pour valider le score et identifier les angles morts internes | Inter-rater reliability v2.0.2 | Tous (validation externe) | Crédibilité institutionnelle + signal de gouvernance | 5 à 15 K€/an audit externe | Annuel | continuous |

### 4.4 Pourquoi ne pas chercher à croître au-delà de A+

À A+, le coût marginal d'amélioration explose alors que le gain marginal est plafonné mathématiquement (le score est borné à 100, et 95+ est statistiquement très rare). Un investissement de 200 000€ supplémentaires en palier A+ produit typiquement +1 à +3 pts, soit un ROI très inférieur à un investissement équivalent dirigé vers une nouvelle catégorie de produit ou un nouveau marché géographique.

**Recommandation stratégique :** une marque A+ devrait considérer le score SOM atteint comme un actif à défendre, et réinvestir le budget marketing marginal dans l'expansion de catégorie ou de marché plutôt que dans la chasse aux derniers points SOM sectoriels.

### 4.5 Cadence de défense recommandée

| Périodicité | Action | Coût annuel typique |
|---|---|---|
| Mensuel | Monitoring automatisé + veille concurrentielle | 2 à 5 K€/mois (plateforme + analyste) |
| Trimestriel | Thought leadership signé CEO + audit interne SOM | 10 à 25 K€/trimestre |
| Annuel | Renouvellement données primaires + audit indépendant | 50 à 100 K€/an |

Soit un budget annuel de défense typique de 100 à 200 K€ pour préserver un grade A+ stable.

---

## ANNEXE.5 : PLAYBOOK MONO-MODEL COLLAPSE

### 5.1 Définition opérationnelle

Le risque mono-model est le scénario où une marque, malgré un score SOM globalement positif, est citée par **un seul modèle parmi les 6 testés** (Gemini, ChatGPT, Claude, Perplexity, Mistral, DeepSeek), les 5 autres restant silencieux ou neutres.

**Algorithme de détection (`analyzeBrand.ts:1690-1710`, reproduit Part 11.3 du protocole principal) :**

```python
def detect_mono_model_risk(llm_scores, som_score):
    active = [m for m, s in llm_scores.items() if s > 0]
    inactive = [m for m, s in llm_scores.items() if s == 0]
    if len(active) == 1 and len(inactive) >= 2 and som_score > 0:
        return True  # risque mono-model détecté
    return False
```

### 5.2 Pourquoi c'est le risque #1

Princeton GEO 2024 (Section 5.3) a démontré que les LLM tendent vers une **concentration progressive de leurs sources de référence** au fur et à mesure de leurs mises à jour. Une marque qui n'est citée que par un modèle voit sa visibilité dépendre entièrement des choix de ce modèle, lesquels peuvent basculer à tout moment :

- Une mise à jour majeure du modèle peut déplacer ses sources de référence (passage de Reddit à LinkedIn par exemple)
- Un changement de la politique de citation (ex : OpenAI restreint l'autorité de Wikipedia) peut faire chuter une marque dépendante d'une source unique
- Le modèle peut subir un "alignment shift" qui modifie ses biais de recommandation

**Conséquence empirique typique :** une marque mono-model citée à 65 SOM peut chuter à 12 SOM en moins de 30 jours, lors de la prochaine mise à jour majeure.

### 5.3 Diagnostic en 4 étapes

Quand le détecteur signale mono-model risk :

**Étape 1 : Identifier le modèle citant.** Lire `llm_scores` et nommer le modèle unique.

**Étape 2 : Identifier les sources qui alimentent ce modèle.** Pour chaque mention par ce modèle, lister les `sources_referenced[]` et leurs types.

**Étape 3 : Cartographier les sources alternatives.** Pour chaque modèle silencieux, identifier les sources qu'il privilégie typiquement sur ce secteur (LinkedIn pour Claude sur B2B, communauté Reddit pour Gemini sur tech, presse spécialisée pour ChatGPT, données structurées pour Perplexity).

**Étape 4 : Plan de diversification.** Pour chaque modèle silencieux, identifier 2 sources fréquentées par ce modèle où la marque pourrait gagner une présence en 60 à 90 jours.

### 5.4 Playbook de mitigation

| Modèle silencieux | Sources d'autorité typiques sur le marché FR | Action recommandée |
|---|---|---|
| **Gemini** | Documentation Google indexée, sites institutionnels, Wikipedia | Page Wikidata structurée + indexation Google Knowledge Graph + page entreprise sur source institutionnelle (CCI, BPI, etc.) |
| **ChatGPT** | LinkedIn, presse tier1, blogs autoritaires anglais et français, Wikipedia | Renforcement LinkedIn entreprise + 2 mentions presse tier1 + version anglaise du site |
| **Claude** | Documentation technique, GitHub, blogs spécialisés, presse premium | Présence GitHub si tech + blog technique + 1 article premium Les Echos |
| **Perplexity** | SEO classique récent, sources structurées, sites avec Schema.org riche | Audit SEO classique + Schema.org Organization complet + maillage interne renforcé |
| **Mistral** | Sources européennes, presse française, données institutionnelles FR | Renforcement sources françaises (Les Echos, Usine Nouvelle) + données INSEE liées si pertinent |
| **DeepSeek** | Sources open-weight, données structurées vérifiées | Présence en open data si secteur permet (subventions, marchés publics) |

### 5.5 Délai de remédiation typique

Un risque mono-model bien diagnostiqué et activement traité voit typiquement :

- T+30 jours : passage à 2 modèles citants (-50% du risque)
- T+60 jours : passage à 3 modèles citants (-75% du risque)
- T+90 jours : passage à 4 modèles citants (risque minoré, score consolidé)

### 5.6 Quand accepter le risque

Dans certains cas extrêmes, la marque peut décider d'accepter le risque mono-model :

- **Marque hyper-niche francophone** sans présence anglaise possible : le risque est limité par la nature locale
- **Marque temporairement post-pivot** : les modèles n'ont pas encore métabolisé la nouvelle identité, attendre 60 à 90 jours peut suffire sans action
- **Marque B2B ultra-vertical** où un seul modèle est dominant chez les acheteurs : la diversification a un ROI marketing négatif

Cette acceptation de risque doit être documentée explicitement dans le rapport AI COMMAND, avec une revue trimestrielle automatique.

---

## ANNEXE.6 : MATRICE FACTEUR × LEVIER

Pour aider l'opérateur à choisir les leviers prioritaires en fonction du facteur faible détecté, voici la matrice de référence.

| Facteur SOM v5.1 | Levier(s) prioritaire(s) à mobiliser |
|---|---|
| **Position decay** (positions tardives) | Pages comparaison optimisées (Palier 4 #3), case studies riches (Palier 2 #3) |
| **Sentiment** (mentions négatives) | Triangulation tierce (Palier 2 #1, #2), vidéos clients positifs (Palier 4 #5) |
| **Hallucination** (taux > 20%) | Ground truth injection systématique (méthodologie obligatoire) + FAQ Schema (Palier 1 #3) |
| **Consensus inter-modèles** (mono-model) | Playbook complet Annexe.5 (transverse tous paliers) |
| **Narrative role** (passing/supporting majoritaire) | Pages comparaison hero (Palier 4 #3), thought leadership (Palier 5 #1) |
| **Recommendation strength** (faible) | Awards sectoriels (Palier 5 #3), articles signés CEO (Palier 5 #1, #2) |
| **Evidence type** (no_evidence ou personal_knowledge) | Plateformes spécialisées (Palier 2 #2), case studies (Palier 2 #3, Palier 4 #5) |
| **Knowledge freshness** (older ou 2024) | Renouvellement données primaires (Palier 6 #2), publications datées (Palier 5 #4) |
| **Authority tier** (tier3 et bas) | Presse tier1 (Palier 2 #1, Palier 5 #2), partenariat académique (Palier 5 #4) |
| **Source diversity** (1 ou 2 types) | 4+ plateformes actives (Palier 4 #1), vidéos YouTube (Palier 4 #5) |
| **Coverage** (faible, < 50%) | Cluster expansion : ajouter requêtes secondaires aux clusters mesurés |

### 6.1 Règle d'allocation budgétaire

Pour un budget marketing GEO donné, l'allocation optimale dépend du palier de départ :

| Palier de départ | Allocation type recommandée |
|---|---|
| **F (< 20)** | 50% reconstruction présence (Palier 1), 30% triangulation (Palier 2), 20% monitoring |
| **D (20-40)** | 60% triangulation (Palier 2), 30% contenu primaire amorce (Palier 3), 10% monitoring |
| **C (40-60)** | 60% contenu primaire (Palier 3), 30% densification (Palier 4 anticipée), 10% monitoring |
| **B (60-80)** | 50% densification (Palier 4), 40% consolidation autorité amorce (Palier 5 sélectif), 10% monitoring |
| **A (80-90)** | 40% consolidation autorité (Palier 5), 40% défense (Palier 6 anticipée), 20% monitoring |
| **A+ (≥ 90)** | 70% défense (Palier 6), 30% expansion catégorie/marché (hors SOM) |

---

## ANNEXE.7 : INDICATEURS DE SUIVI MENSUELS

Indépendamment du palier, tout client AI COMMAND devrait monitorer mensuellement les 6 indicateurs suivants :

1. **Score SOM consolidé** avec IC 90% et grade
2. **Coverage ratio** (% requêtes citant la marque)
3. **Consensus moyen** (nombre moyen de modèles citants par requête)
4. **Distribution narrative_role** (% hero / primary / supporting / passing / negative)
5. **Distribution evidence_type** (% verified_reviews / documented_features / case_study / etc.)
6. **Risque mono-model actif ou non**

Toute dégradation > 5 pts ou bascule d'indicateur 6 doit déclencher une revue stratégique immédiate.

---

## ANNEXE.8 : LIMITES DE CETTE ANNEXE

### 8.1 Calibration des plages d'impact

Les fourchettes "+X à +Y pts" annoncées dans cette annexe sont calibrées sur l'historique des cas clients ELMARQ et AI COMMAND entre 2024 et 2026. Elles sont :

- **Médianes observées ± écart interquartile**, pas des prédictions déterministes
- **Conditionnées à l'exécution effective** de l'action complète (pas de garantie sur application partielle)
- **Sujettes à révision trimestrielle** lors de chaque recalibration sur le corpus client le plus récent

La calibration formelle complète, avec distributions et IC, sera publiée en annexe v2.0.1 (juillet 2026).

### 8.2 Spécificité sectorielle

Les leviers présentés sont calibrés en moyenne sur les 13 secteurs canoniques. Certains secteurs ont des mécaniques particulières :

- **Santé numérique** : la certification HDS pèse plus lourd (+6 à +10 pts vs +4 à +8 pts moyen)
- **Finance / fintech** : la conformité ACPR ou AMF est obligatoire (sinon score plafonné à 50)
- **Formation professionnelle** : Qualiopi est un prérequis, son absence pénalise lourdement
- **Industrie B2B** : la presse spécialisée (Usine Nouvelle, L'Industrie) compte plus que la presse généraliste

Les versions sectorielles spécifiques de cette annexe sont disponibles sur demande pour les clients AI COMMAND Business et Enterprise.

### 8.3 Évolution prévue

Cette annexe sera mise à jour au minimum :

- **Trimestriellement** sur les plages d'impact (recalibration corpus)
- **Semestriellement** sur les leviers eux-mêmes (intégration de nouveaux signaux émergents)
- **Annuellement** avec la publication du protocole principal v2.x

---

*Annexe Recommandations Paliers 2, 4, 5, 6 + Mono-Model Playbook.*
*SOM Scorecard Protocol v2.0, mai 2026.*
*ELMARQ × AI COMMAND.*
*Méthodologie ouverte, recommandations algorithmiques, calibration auditable.*