« Devenir la plateforme de référence », assume Joan Burkovic. À Paris, GetMint formalise une promesse ambitieuse: rendre les marques visibles dans les réponses de l’IA là où se décident déjà une part des achats. L’éditeur SaaS, fondé en 2025, structure un nouveau terrain de jeu pour le marketing de performance: le référencement sur les modèles de langage.

GetMint : une infrastructure de référencement IA née en 2025

Créée en 2025 par Joan Burkovic, Matthieu Poitrimolt et Emmanuel Costa, GetMint s’attaque à un enjeu de distribution qui se déplace des moteurs de recherche vers les LLM. L’objectif annoncé est clair: mesurer et optimiser la présence des marques dans les réponses générées par des agents comme ChatGPT ou Gemini, là où s’expriment désormais les intentions d’achat.

La proposition de valeur repose sur une plateforme SaaS qui outille les directions marketing et e-commerce. D’un côté, elle analyse la perception de marque telle qu’elle est restituée par l’IA.

De l’autre, elle quantifie la visibilité lors de scénarios d’intention d’achat et propose des optimisations pour accroître la probabilité d’être recommandée. Cette logique rapproche le pilotage de la visibilité IA des standards de l’acquisition digitale, avec une granularité métier adaptée aux agents conversationnels.

GetMint revendique aujourd’hui l’accompagnement de plus de 100 marques sur ces sujets, signe d’une accélération de l’adoption côté annonceurs. Le positionnement est assumé: devenir l’infrastructure qui convertit les réponses IA en un canal d’acquisition et de distribution maîtrisé. Les fondateurs visent une industrialisation du pilotage de la visibilité dans les LLM, à l’image des outils qui, hier, ont façonné le search marketing.

L’IA redistribue l’accès au marché : quand la recommandation décide de l’achat

Les règles du jeu changent: les utilisateurs ne tapent plus des mots-clés, ils expriment un besoin. L’IA interprète, synthétise et recommande.

« Les modèles d’IA sont en train de devenir la première interface entre les consommateurs et les entreprises », résume Joan Burkovic. Dans ces interfaces, ressortir ou disparaître d’une réponse devient un levier commercial direct. Les marques absentes perdent des opportunités de contact et, in fine, des ventes.

L’adoption côté consommateurs s’installe: près de 73 % des acheteurs mobiliseraient déjà l’IA pour explorer des options ou obtenir des conseils dans leur parcours. Cette bascule transfère une partie du pouvoir de référencement des moteurs classiques vers les agents conversationnels, où la logique d’intention et la pertinence perçue pèsent davantage que les signaux SEO historiques.

ChatGPT, Gemini et Claude : nouvelles portes d’entrée

Les LLM structurent des réponses en langage naturel, agrègent des sources diverses et formulent des recommandations. Être « cité » ou « recommandé » par ces assistants revient, pour une marque, à occuper l’espace critique du moment de vérité.

Cette présence ne se pilote pas avec les mêmes leviers qu’un moteur de recherche. Les équipes doivent comprendre comment les LLM interprètent une offre et quels signaux influencent la recommandation finale.

Intentions d’achat : comment les IA tranchent

Sur une requête d’intention comme « quel logiciel pour gérer mes notes de frais », la réponse IA va sélectionner, ordonner et justifier des suggestions. Les marques sont jugées sur leur pertinence, leur couverture de cas d’usage et la confiance perçue. GetMint outille l’analyse de ces critères et la mesure de l’exposition dans des scénarios d’achat représentatifs, afin d’orienter le contenu, la donnée et les assets de marque vers une meilleure recommandation.

Le SEO organise la visibilité sur des pages de résultats et des liens. Le référencement IA s’opère dans des réponses synthétiques et des conseils contextualisés. Trois différences majeures: 1) la place est rare, car la réponse cite peu de marques; 2) les signaux de crédibilité ne sont pas uniquement techniques, ils incluent la cohérence sémantique perçue par le modèle; 3) l’intention devient l’unité de mesure, au-delà du mot-clé.

Indicateurs clés de visibilité dans les LLM

Pour piloter la présence d’une marque dans les modèles d’IA, plusieurs métriques se révèlent structurantes:

  1. Fréquence de recommandation lors d’intentions d’achat ciblées.
  2. Part de voix parmi les marques citées dans une même réponse.
  3. Position moyenne dans l’énumération des recommandations.
  4. Qualité d’argumentaire associée à la marque dans la réponse générée.
  5. Couverture de cas d’usage sur un portefeuille d’intentions défini.

Produit et méthode : comment GetMint transforme l’IA en levier d’acquisition

Le cœur de l’offre GetMint se découpe en trois blocs complémentaires. D’abord, un moteur d’analyse qui interroge les modèles pour cartographier la perception d’une marque et de ses concurrents.

Ensuite, un module de mesure qui suit la visibilité et les recommandations obtenues sur des scénarios d’intention. Enfin, des outils d’optimisation pour améliorer le positionnement de la marque dans les réponses générées.

Cette séquence outille un pilotage récurrent, organisé autour d’itérations produit-marketing et d’objectifs d’acquisition. Les directions peuvent prioriser des « intentions cibles », évaluer la cohérence des messages et déceler les angles morts. L’alignement avec les contraintes des LLM devient un travail continu sur la donnée, la sémantique et les preuves de valeur mobilisables par les modèles.

Mesure de la présence et scoring de recommandation

GetMint met l’accent sur des indicateurs opérationnels: mentions de marque, fréquence de recommandation et position dans l’argumentaire. Ces données accompagnent la définition d’objectifs chiffrés, à la manière des KPIs historiques du digital. La valeur provient de la capacité à identifier les leviers activables pour accroître la probabilité d’être cité dans des cas d’usage pertinents.

Pilotage opérationnel pour les équipes marketing

Le dispositif vise les équipes marketing, produit et opérations commerciales. La finalité: aligner l’ensemble des assets de marque exploités par les modèles, pour obtenir davantage de recommandations qualifiées. En filigrane, c’est la maturité de l’organisation de la donnée et la clarté du discours de valeur qui conditionnent la progression.

Glossaire express des LLM pour décideurs

  • LLM: modèle de langage large, base des agents conversationnels.
  • Intention: besoin exprimé par l’utilisateur que l’IA interprète et traite.
  • Référencement IA: optimisation de la visibilité d’une marque dans les réponses générées.
  • Part de voix: proportion de citations d’une marque par rapport aux autres dans un même contexte.

Financement pré-seed de 4 M€ et accélération produit

La société annonce un tour pré-seed de 4 millions d’euros destiné à intensifier le développement de la plateforme et à renforcer ses équipes. Cette levée dévoilée en décembre 2025 soutient des recrutements clés en technologie, data, R&D, produit, marketing, opérations et customer success pour structurer un suivi en temps réel des performances de visibilité et enrichir les fonctionnalités SaaS. L’objectif est d’alimenter une feuille de route orientée vers une mesure plus fine et des recommandations plus actionnables pour les marques (Maddyness, 11 décembre 2025).

Les moyens financiers doivent également soutenir l’extension des opérations en France et à l’international, au rythme de la demande des entreprises souhaitant maîtriser leur référencement dans les modèles d’IA. À ce stade, le projet s’inscrit dans une dynamique de marché portée par la montée en puissance des interfaces conversationnelles dans le parcours client.

Founders Future et co-investisseurs : profil et thèse

Le tour est mené par Founders Future, avec la participation de 50 Partners, Kima Ventures, Clover et Better Angle. Le profil des investisseurs reflète un intérêt convergent pour les plateformes early-stage orientées IA et transformation numérique. Leur implication doit contribuer à l’accélération du go-to-market et à l’ouverture de relais de croissance, à la fois en France et sur des marchés internationaux où la demande d’outillage pour la distribution via l’IA augmente.

Métriques Valeur Évolution
Montant levé 4 M€ n.c.
Nature du tour Pré-seed n.c.
Date d’annonce Décembre 2025 n.c.
Lead investor Founders Future n.c.
Co-investisseurs 50 Partners, Kima Ventures, Clover, Better Angle n.c.

Écosystème French Tech : programmes et dynamique d’innovation

Le positionnement de GetMint s’inscrit dans une séquence française favorable aux projets stratégiques en IA. La mission French Tech a lancé le programme French Tech 2030 pour faire émerger des champions sur des technologies de rupture. La seconde promotion, annoncée en novembre 2025, rassemble 80 entreprises porteuses de solutions d’avenir, avec un objectif de souveraineté technologique et industrielle renforcée (Ministère de l’Économie, novembre 2025).

Si GetMint n’est pas explicitement mentionnée parmi les lauréats 2023 ou 2025, son approche de la visibilité dans les LLM est alignée avec les priorités publiques en matière d’IA générative et de transformation numérique. Parallèlement, le programme French Tech Rise facilite les mises en relation entre startups et investisseurs, contribuant à des tours de table comme celui de GetMint, au service d’une montée en puissance de l’écosystème.

French Tech 2030 en 3 points

  1. Ambition: accélérer des projets technologiques jugés stratégiques pour la souveraineté.
  2. Accompagnement: appui public renforcé, accès à des réseaux et à des ressources.
  3. Promotion 2025: 80 entreprises lauréates, sur des segments clés de l’innovation.

Angles financiers et juridiques : ce que doivent anticiper les directions en France

La montée d’un canal d’acquisition porté par les LLM soulève des questions opérationnelles, financières et juridiques. Côté allocations budgétaires, les entreprises devront arbitrer entre le maintien d’investissements SEO historiques et l’équipement pour le référencement IA, avec une logique d’attribution centrée sur l’intention. Côté contrats, les prestataires et partenaires seront sollicités sur des engagements de performance qui ne reposent plus uniquement sur des pages de résultats, mais sur des réponses générées difficilement auditées sans outillage spécifique.

Sur le terrain juridique, plusieurs sujets émergent. La transparence des critères de recommandation devient centrale: comprendre comment une marque est citée ou écartée par les modèles. S’ajoutent des interrogations récurrentes sur la propriété des contenus réutilisés dans l’argumentaire généré et, dans certains cas, sur les frontières avec la publicité comparative lorsqu’un agent met en avant des avantages produit.

La protection des données demeure un pilier. La conformité à La RGPD implique des exigences sur l’origine et la finalité des données mobilisées, y compris lors de l’entraînement et de l’inférence des modèles. Les directions juridiques devront articuler les politiques de données internes avec les flux vers des fournisseurs de modèles ou des intégrations partenaires, tout en maîtrisant le risque de divulgation d’informations sensibles dans des prompts ou des interactions clients outillées par l’IA.

Lorsque des assistants IA citent ou comparent des marques, les directions doivent anticiper: 1) la traçabilité de la recommandation au sein des parcours clients; 2) le pilotage du risque de dénigrement involontaire ou d’informations obsolètes; 3) l’actualisation du discours de preuve pour limiter les écarts entre la réalité produit et l’argumentaire généré. Des mécanismes d’audit et de droit à la rectification deviennent utiles dans les feuilles de route IA.

Au-delà, les équipes financières doivent affiner leurs modèles de coût d’acquisition et de lifetime value dans un canal où la visibilité se mesure différemment. Les tableaux de bord métiers évolueront pour intégrer des KPIs centrés sur l’intention et la présence, en complément des métriques d’audience traditionnelles. Dans cette trajectoire, l’industrialisation des pratiques et la gouvernance de la donnée seront deux leviers de compétitivité.

Points de vigilance pour un COMEX

  • Exposition de marque: disposer d’un suivi objectivé des recommandations IA.
  • Contrats: adapter les clauses de performance à la logique de réponses générées.
  • Données: vérifier les conditions d’usage et la conformité à La RGPD.
  • Risques: cadrer la réponse en cas d’allégation erronée ou de citation inexacte.
  • Organisation: rapprocher marketing, juridique, data et produit autour d’objectifs partagés.

Trajectoire 2026 : cap sur la mesure et l’industrialisation du canal IA

GetMint veut transformer les modèles d’IA en canaux de distribution 2.0 où la visibilité se pilote aussi finement qu’un plan media. « À terme, aucune entreprise ne pourra vendre en ligne sans piloter et optimiser sa présence dans les IA », insiste Joan Burkovic. La levée de fonds doit accélérer l’outillage, la qualité des mesures et l’extension internationale, au service de marques qui cherchent à sécuriser leur place dans la recommandation IA.

Reste un impératif de gouvernance: fiabilité de la donnée, cadre juridique et lisibilité économique. Les organisations qui structureront rapidement leurs KPIs de présence et leurs rituels d’optimisation s’offriront une longueur d’avance, le tout dans un écosystème public et privé désormais mobilisé autour de l’IA générative.

La visibilité dans les réponses IA devient un actif de distribution: la question n’est plus si, mais comment l’orchestrer efficacement et en conformité.