Plateforme GEO : suivi de la visibilité dans 9 IA avec Claude

Développement d'une plateforme GEO pour optimiser la visibilité des marques dans l'IA générative avec Claude Code

Un développeur a créé une plateforme GEO (Optimisation pour les moteurs génératifs) complète pour analyser et améliorer la visibilité des marques dans les réponses de 9 modèles d'IA. Le système collecte des données quotidiennement, traite les réponses des LLM, calcule des métriques concurrentielles et génère des recommandations. L'ensemble du développement a été réalisé via des sessions Claude Code en utilisant Agent Team et les outils MCP.

La plateforme automatise la surveillance de la visibilité des marques, identifie les écarts par rapport aux concurrents et produit des rapports hebdomadaires avec la dynamique des changements. Le coût pour 4 mois de développement sur le plan Max de Claude s'élève à 800 $, avec des frais d'API de 128 $ plus 4800 roubles pour YandexGPT.

Pipeline de développement avec Claude Code

Le développement suit un cycle : RECHERCHE → PLANIFICATION → IMPLÉMENTATION → REVUE MANUELLE → REVUE DE CODE. La session principale implique plusieurs onglets Claude Code en parallèle. En cas de problèmes, l'itération revient à l'implémentation.

Agent Team a remplacé l'orchestration manuelle des sous-agents. Par exemple, un agent QA teste, un correcteur d'interface utilisateur corrige, et ils itèrent jusqu'à obtenir des résultats acceptables.

Outils MCP clés pour l'accès à l'infrastructure :

• Supabase MCP : migrations, traitement des données, vérification des réponses des modèles d'IA.
• Trigger.dev MCP : lancement de tâches en arrière-plan, vérification de l'achèvement.
• Next.js DevTools MCP : mises à jour vers Next.js 16.
• Exa MCP : recherche de documentation et de normes.
• Sentry MCP : correction d'erreurs réelles.

SESSION PRINCIPALE (plusieurs onglets)
    │
    ▼
RECHERCHE ──► PLANIFICATION ──► IMPLÉMENTATION ──► REVUE MANUELLE ──► REVUE DE CODE
                          ▲              ▼                 │
                          └──── problèmes détectés ◄─────────┘

Architecture de l'écosystème

                      Utilisateur
                      ┌────┴────┐
                      │         │
               ┌──────▼──────┐  ┌──────▼──────┐
               │  Tableau de │  │  Bot        │
               │  bord       │  │  Telegram   │
               │  Next.js 16 │  │  grammY     │
               └──┬──────┬───┘  └──────┬──────┘
                  │      │             │
      lancement   │  ┌───▼─────────────▼───┐
      de tâches   │  │  Supabase           │
                  │  │  auto-hébergé       │
                  │  └───▲─────────▲───────┘
                  │      │         │
            ┌─────▼──────┴──┐ ┌───┴──────────────┐
            │  Trigger.dev  ├─► Mastra           │
            │  tâches en    │ │ rapports +       │
            │  arrière-plan │ │ briefs +         │
            │               │ │ génération       │
            │               │ │ d'articles       │
            └──────┬────────┘ └──────────────────┘
                   │
          ┌────────▼─────────────┐
          │  9 Fournisseurs d'IA │
          │  ChatGPT · Claude ·  │
          │  Gemini · Grok ·     │
          │  Perplexity ·        │
          │  DeepSeek ·          │
          │  Google AI Mode ·    │
          │  Google AI Overview ·│
          │  YandexGPT           │
          └──────────────────────┘

Frontend sur Next.js 16 avec shadcn, métriques calculées via des fonctions PostgreSQL utilisant le SDK Supabase, mise en cache avec TanStack Query. Déploiement via Dokploy avec GitHub.

Pipeline de surveillance et de traitement des données

Lors de l'intégration, des clusters (ensembles thématiques de 4 à 6) et des prompts (4 à 7 par cluster) sont générés. Quotidiennement, Trigger.dev envoie des prompts aux 9 fournisseurs et traite les réponses.

Spécificités des fournisseurs :

• DeepSeek : pas d'API de recherche web.
• Google AI Mode/Overview : scraping uniquement.
• Google AI Overview : peut ne pas répondre.

Le traitement des réponses implique un post-traitement par LLM : extraction des marques, sentiment (positif/neutre/négatif), recommandation, position, présence de lien. Le score GEO (0–100) agrège les points.

Métriques GEO clés

• Couverture des réponses : % de réponses mentionnant la marque.
• Part de voix (PdV) : mentions_marque / (mentions_marque + concurrents) × 100.
• Citation de domaine : % de réponses avec le domaine de la marque.
• Part de citation : PdV pour les domaines.

Visualisation : graphiques de couverture, entonnoirs de visibilité, principaux concurrents par PdV, comparaisons tête-à-tête, écarts concurrentiels, analyse des sources.

Coût par traitement de réponse : 0,0016 $, YandexGPT — 5 ₽/appel.

Sections du tableau de bord

• Intelligence concurrentielle : principaux par PdV, tête-à-tête.
• Écarts concurrentiels : prompts où la marque est à la traîne.
• Sources : onglets avec données de source de citation.

Le centre de commande génère des recommandations basées sur les écarts et évalue l'impact.

Points clés à retenir :

• La plateforme GEO surveille 9 fournisseurs d'IA, calculant la PdV et d'autres métriques pour les marques.
• Le développement avec Claude Code, Agent Team et MCP a réduit les coûts à 800 $ sur 4 mois.
• Pipeline quotidien : génération de prompts, scraping/API, traitement des réponses LLM.
• Métriques sur PostgreSQL, frontend Next.js 16 + shadcn, cache TanStack Query.
• Recommandations et rapports automatisés via Mastra.

— Editorial Team