Demandez à ChatGPT « Que faire à Valberg ce week-end ? ». Vous obtiendrez une liste générique d’activités hivernales, vraisemblablement inventée à 30 % — l’un des modèles que nous avons testés a mentionné un « tour du lac de la Coumasse » qui n’apparaît dans aucune source officielle de la station. Demandez ensuite « Office de tourisme de Valberg, c’est où ? ». Vous obtiendrez la bonne adresse au caractère près, avec téléphone, horaires saisonniers et trois sites sources concordants.
La même destination. Le même modèle. Deux questions élémentaires d’un visiteur potentiel. Deux régimes de réponse opposés.
Ce n’est pas un bug. C’est une asymétrie d’exposition de la donnée — et elle est mesurable.
Ce qui suit est le résultat brut d’une mesure conduite le 4 mai 2026 sur trois assistants IA grand public : ChatGPT (gpt-5-mini), Claude (Sonnet 4.5), Perplexity (sonar-pro). Trois questions, neuf réponses, recherche web active sur tous, via les API publiques de DataForSEO. Coût total des mesures : 0,30 $.
La méthode, en deux paragraphes
Trois questions ont été posées à chaque modèle, choisies pour couvrir trois types de demande d’information touristique : une question quantitative (« Combien d’hôtels à Valberg ? »), une question d’orientation pratique (« Office de tourisme de Valberg, c’est où ? »), et une question contextuelle ouverte (« Que faire à Valberg ce week-end ? »). Les modèles ont été interrogés simultanément avec recherche web active. Aucune autre instruction, aucune amorce, aucun framing.
Le sol de vérité a été établi indépendamment via une requête SERP Google standard (depth 10, France, fr) sur chacune des trois questions, complétée par les annuaires institutionnels (Pages Jaunes, Mappy, ViaMichelin, alpesdazur-tourisme.fr). Les transcriptions complètes des neuf réponses LLM, les sources citées par chacune, et le sol de vérité Google sont publiés verbatim dans le rapport méthodologique téléchargeable au pied de cet article.
Trois questions, trois régimes de réponse
Régime 1 — Convergence parfaite
« Office de tourisme de Valberg, c’est où ? »
Les trois assistants livrent la même réponse correcte. Place Charles Ginésy, 06470 Valberg, commune de Péone. Téléphone 04 93 23 24 25. ChatGPT cite valberg.com et Wikipedia. Claude cite valberg.com, demarchesadministratives.fr, alpesdazur-tourisme.fr. Perplexity cite dix sources dont Mappy, Pages Jaunes, Petit Futé, en ajoutant les horaires saisonniers détaillés.
Le sol de vérité Google confirme à la lettre : Knowledge Graph présent, Place ID confirmé, 4,4 / 5 sur 851 avis Google. valberg.com en première position organique.
Pourquoi ça marche. La donnée est publiée, redondante sur plusieurs annuaires institutionnels, et confirmée par le Knowledge Graph Google. Quand l’écosystème de la donnée est mature, les LLMs sont fiables. C’est le régime de convergence — celui qu’on aimerait voir partout.
Régime 2 — Trois chiffres différents, aucun n’est faux
« Combien d’hôtels à Valberg ? »
ChatGPT recense honnêtement la divergence des sources : valberg.com officiel = 4 hôtels, dossier de presse de la station = 3, hotelhotel.com = 8.
Claude conclut « 7 ou 8 selon les sources » en citant cybevasion.fr et hotelhotel.com — sans citer valberg.com.
Perplexity propose « 10 à 11 » d’après Tripadvisor et Booking.com.
Le sol de vérité Google, lui, donne sept chiffres différents selon la source qu’on interroge :
| Source | Comptage |
|---|---|
| valberg.com (officiel) | 4 hôtels |
| Dossier de presse Valberg | 3 hôtels |
| Pages Jaunes | 8 fiches hôtel |
| hotelhotel.com | 8 hôtels |
| Tripadvisor | 10 hôtels |
| Booking.com | 59 hébergements (toutes catégories) |
| ViaMichelin | 104 hébergements (3 HOTEL + 99 RESIDENCE + 1 BB + 1 CAMPING) |
Aucun de ces chiffres n’est techniquement faux. Chacun reflète un périmètre de définition différent (centre-station vs vallée, hôtels stricto sensu vs résidences de tourisme, fiche officielle vs annuaire commercial).
Le problème. valberg.com publie une liste de 4 hôtels, mais sans schéma structuré exploitable. Aucune source publique ne dit explicitement, dans un format que les agents IA peuvent ingérer : voici la liste canonique des hôtels de la station, à un identifiant près. Conséquence : un agent qui doit répondre ne peut pas converger. Il livre la médiane des sources qu’il a consultées, ou il se réfugie dans une fourchette.
Régime 3 — Personne ne sait répondre
« Que faire à Valberg ce week-end ? »
ChatGPT contre-questionne pour gagner du temps : « Pour quel week-end parlez-vous exactement ? » Aucune information apportée.
Le scraper ChatGPT en France livre une liste générique non sourcée — il invente le « tour du lac de la Coumasse » qui n’apparaît dans aucune source officielle. Hallucination plausible, vérifiable comme fausse en 30 secondes.
Claude renvoie au site valberg.com en citant Tripadvisor, sans nommer un seul événement.
Perplexity, le plus honnête, reconnaît explicitement : « les recherches ne listent pas d’animations confirmées à cette date exacte ». Il liste les activités récurrentes (luge d’été, accrobranche, Bike Park, planétarium, golf) et conclut sur « consultez valberg.com/agenda ».
Pourtant, valberg.com/agenda affiche bien des événements ce week-end-là — le Week-end Passion Rallye, le Printemps des séniors, le Festival Astro’Valberg en préparation. Les LLMs ne les voient pas.
Pourquoi ils ne les voient pas. L’agenda est publié en HTML lisible par un humain, mais pas en JSON-LD Event ni dans un flux ICS public. Les crawlers IA passent à côté, ou en extraient une représentation tellement bruitée qu’ils préfèrent ne pas l’utiliser. C’est le régime d’effacement — la donnée existe, mais elle n’est pas exposée dans un format que les agents savent ingérer fiablement.
Pourquoi cette asymétrie
Trois constats se dégagent de la mesure.
1. Ce n’est pas un défaut des modèles. Les trois LLMs testés sont les plus avancés disponibles aujourd’hui sur le marché. Ils peuvent lire, croiser, citer leurs sources. Quand la donnée est là dans le bon format, ils convergent — la preuve, c’est le Régime 1.
2. Ce n’est pas non plus un problème de notoriété. valberg.com a été cité 9 fois sur 9 dans nos mesures. Le site est dans les index des LLMs ; il est reconnu comme la source canonique de la station. Le différentiel ne se joue pas sur « est-ce que les LLMs connaissent Valberg » — ils connaissent. Le différentiel se joue après — sur le format dans lequel la donnée s’y trouve.
3. C’est une asymétrie de structuration. Quand la donnée est publiée en Schema.org (HotelEstablishment, Restaurant, TouristAttraction), en JSON-LD, en llms.txt, ou redondamment dans des annuaires institutionnels qui l’expriment dans ces formats, les LLMs l’ingèrent et la restituent fiablement. Quand la donnée est publiée en HTML pour humains, sans schéma, sans Event, sans flux structurés, les LLMs la voient mal ou pas du tout.
C’est une bonne nouvelle. Une asymétrie de structuration se corrige. Pas en demandant aux LLMs de mieux travailler — ils font déjà ce qu’ils peuvent — mais en exposant la donnée dans les formats qu’ils savent lire nativement.
Le canal n’est pas marginal — il croît
Les volumes mesurés (DataForSEO AI Keyword Volume, France, fr) :
- « valberg » seul totalise 5 231 requêtes/mois auprès des moteurs IA (+69 % sur 12 mois)
- « valberg ski » : 205 requêtes/mois (+141 %)
- « valberg station » : 253 requêtes/mois (+267 %)
- « que faire valberg » : 192 requêtes/mois (+78 %)
Volume agrégé observé : ≈ 5 700 requêtes/mois nommant Valberg auprès des moteurs IA. La croissance dépasse celle de la moyenne du tourisme français sur la même période.
Pour une station qui accueille environ 350 000 nuitées par an, ces 5 700 requêtes/mois ne représentent pas un canal marginal — elles représentent une fraction non négligeable de la pré-réservation et du repérage qui se déplacent vers les agents IA. Cette fraction croît plus vite que les autres canaux. Et contrairement au SEO Google traditionnel, ce canal récompense la structuration plus que l’autorité du domaine ou le volume de backlinks.
Notre proposition, en bref
Nous publions sur web-mcp.fr, gratuitement, une fiche destination unifiée pour Valberg — 109 POIs cartographiés sur les trois communes du périmètre (Péone, Beuil, Guillaumes), 55 strictement éligibles à DATAtourisme, exposés en Schema.org, JSON-LD, llms.txt aux URLs canoniques attendues par les agents IA. La fiche est régénérée mensuellement à partir des sources publiques et accompagnée d’un rapport mensuel de mesure de citation IA.
En contrepartie de la publication gratuite, nous demandons à l’OT l’autorisation de citer la fiche comme référence dans nos prospections futures. Pas d’engagement financier, pas d’exclusivité, dépublication immédiate sur demande. Le détail de la proposition figure dans la note commerciale jointe.
Une offre d’intelligence territoriale avancée payante (audits ciblés, dashboards de pilotage, mesures sur prompts personnalisés) existe par ailleurs sur web-mcp.fr/tourisme/ — l’Atlas Tourisme IA-ready. Elle est indépendante du palier gratuit ci-dessus.
Comment vérifier par vous-même
Le cas d’étude transmis à l’OT Valberg en mai 2026 est reproduit ici, dans deux PDFs séparés selon le profil de lecture.
Pour aller plus loin, la fiche commune Beuil — qui appartient au périmètre Valberg — est déjà publiée en version live. Vous y trouverez le llms.txt, le JSON-LD Schema.org, et les artefacts machine-lisibles produits par notre pipeline pour chaque commune de l’atlas.
Le décompte détaillé des 109 entités, en classeur Excel éditable, est livré aux destinations qui acceptent l’endossement réciproque.
Cas d’étude conduit par l’équipe web-mcp.fr en mai 2026. L’Office de Tourisme de Valberg a accepté que ce document soit reproduit publiquement à des fins méthodologiques, sans modification du fond. Pour toute question : [email protected].