ChatGPT vs Gemini : quelle IA recommande vos voitures électriques ?

Dis-moi quelle intelligence artificielle tu utilises, je te dirai ce que tu achèteras. Quand ChatGPT et Gemini se retrouvent face au marché français des voitures électriques, les deux IA vedettes ne conseillent pas les acheteurs de la même manière.

Tel a été le principal enseignement de l'étude conduite par de Bubbling, l'agence de marketing tech, sur la base de 2 016 conversations simulées et 8 064 questions posées aux deux moteurs entre le 20 et le 26 août 2026.

Selon la société cofondée par Emmanuel Dollé, un constat s'impose d'emblée : le choix du moteur conversationnel change notablement le scénario. Pour une marque et son réseau de distribution, la question ne relève plus basiquement de la visibilité dans les IA génératives, mais de la maîtrise même du canal et du timing par rapport au parcours d'achat.

Avant d'entrer dans le détail, précisons que l'exercice consistait à analyser des parcours simulés, sans préférence de marques ni mesure de l'impact commercial. Ainsi, avec un jeu de 36 questions, trois profils d'acheteurs, dont des familles aisées, des foyers modestes éligibles au leasing social et des jeunes urbains, ont servi à la démonstration.

ChatGPT, un vendeur pressé au tropisme international

ChatGPT se comporte en conseiller qui va droit au but. Sur les conversations spontanées, l'IA nomme des modèles dès sa première réponse dans une proportion nettement supérieure à Gemini. Son classement des références pour les voitures électriques place Tesla en tête avec 24,2 % de part de voix, devant Renault (19,7 %) et Peugeot (19,1 %).

Le trait le plus marquant reste son tropisme international. ChatGPT cite Volkswagen deux fois plus souvent que Gemini, par exemple. Et pour cause, le moteur s'appuie moins sur des sources web françaises que sur le consensus éditorial international, à l'instar des tests de l'ADAC allemand, des palmarès de trophées internationaux ou encore des comparatifs réalisés par des médias anglo-saxons.

Par ailleurs, dans son rapport d'étude, Bubbling montre que ChatGPT porte l'essentiel de la présence conversationnelle des marques entrantes chinoises. De fait, MG comme BYD y apparaissent très majoritairement et bien plus régulièrement que sur Gemini. Un signal que les réseaux distribuant ces marques ont intérêt à ne pas négliger, tant la fenêtre conversationnelle leur semble aujourd'hui plus ouverte côté ChatGPT.

Gemini, un pédagogue francocentré favorable à Renault

Gemini adopte une posture radicalement différente. Sur les 504 conversations spontanées analysées dans son environnement, l'IA ne nomme quasiment jamais de marque d'entrée de jeu (seulement quatre fois). Le service de Google commence par structurer le problème de l'acheteur en parlant budget, usage ou catégories de véhicule, avant d'introduire des noms de modèles dans les échanges suivants.

Quand il faut souffler des marques, son classement diverge sensiblement de celui de ChatGPT : Renault domine avec 25,6 %, devant Peugeot (21,5 %) et Tesla (19,6 %). Gemini se montre aussi plus généreux avec les gammes sud-coréennes en valeur relative, Hyundai atteignant 14,9 % (contre 9,7 % chez ChatGPT).

Gemini se découvre globalement plus francocentré dans ses sources. L'explication tient à sa méthode de construction de réponse qui s'appuie sur un panel de 350 à 550 domaines web très majoritairement français. Un ancrage qui profite mécaniquement aux marques les mieux référencées dans la presse et les institutions françaises.

Deux logiques de sourcing, pas de hasards

Le fossé entre les deux moteurs n'a rien d'anecdotique. L'étude le vérifie par six tests de robustesse distincts sur la surreprésentation des marques sud-coréennes, et par un traitement statistique en grappes qui confirme que l'écart persiste même dans le calcul le plus prudent. Trois mécanismes l'expliquent.

D'abord, nous l'avons dit, les sources effectivement consultées diffèrent structurellement d'un moteur à l'autre. Ensuite, le style conversationnel n'est pas neutre. Gemini retarde la mention de marques au profit d'un cadrage pédagogique du besoin, quand ChatGPT nomme des modèles dès le premier échange.

Concrètement, être présent dans les critères que l'IA installe – coût d'usage, recharge, aides – pèse autant pour une marque que d'être présent dans les listes de modèles. Et cela vaut davantage encore sur Gemini que sur ChatGPT.

Enfin, l'initiative propre des moteurs, mesurée en neutralisant tout ce que l'acheteur a lui-même mentionné dans la conversation, dessine un troisième classement, encore différent des deux premiers.

Renault et Hyundai à égalité en tête, autour de 16 % chacun, devant Tesla (environ 15 %) et Kia (environ 13 %). Peugeot est légèrement en retrait (environ 11 %), apparaissant ainsi comme une marque portée par l'acheteur, à l'inverse de Hyundai, portée par les moteurs qui l'introduisent dans 99 % des cas où elle apparaît, sans jamais avoir été demandée.

Pour un distributeur, cette distinction est la vraie lecture à retenir : une marque peut dominer les résultats bruts et rester absente du réflexe spontané d'un moteur IA. Ce qui l'expose à un risque d'effacement le jour où l'acheteur cessera de la nommer lui-même.

Le tunnel inversé : plus l'acheteur est près, moins l'IA s'engage

Au-delà de la question des marques, l'étude met en évidence un phénomène qui concerne les deux moteurs indifféremment, et qui devrait alerter tout distributeur comptant sur l'IA pour pousser une vente jusqu'au bout : le taux de recommandation explicite s'effondre à mesure que le parcours d'achat avance.

Les chiffres ne souffrent d'aucune ambiguïté. Réparti sur les quatre étapes du parcours simulé, le taux de réponses contenant un engagement clair – "je vous recommande", "excellent choix", "optez pour" – décroît continûment, pendant que la réponse évasive progresse d'autant.

Entre la première prise de contact et le moment où l'acheteur simulé est censé passer à l'achat, le taux de recommandation perd ainsi dix points, tandis que la formulation "cela dépend de votre usage" en gagne onze.

Ce mouvement est identique que la question de départ soit spontanée ou qu'elle nomme déjà un modèle, ce qui exclut un simple artefact de segmentation. Il reste positif même dans le traitement statistique le plus prudent, avec une fourchette large mais un sens de variation jugé robuste par les auteurs de l'étude.

Dominer n'est pas gagner

Ce désengagement n'est pas qu'une question de volume : c'est aussi un changement complet des règles du jeu, le classement des marques recommandées se rejouant entièrement à chaque étape.

En phase découverte, Tesla domine largement, avec 75 recommandations, contre 54 pour Peugeot et 24 pour Renault. La marque américaine sert d'exemple pédagogique pour expliquer les fondamentaux de l'électrique.

En phase de comparaison, le match se resserre, Tesla conservant une courte avance sur Renault et Peugeot. Mais au tournant de la validation, Renault prend le dessus et devient la marque qui "rassure" sur les objections, avec 192 recommandations contre 155 pour Peugeot et 143 pour Tesla.

Quand arrive enfin le moment de la décision, c'est un tout autre podium qui émerge. Peugeot prend la tête avec 110 recommandations, Renault se place juste derrière avec 95, puis surgissent Citroën et Dacia, qui n'existent quasiment qu'à cette étape.

Bubbling note que Tesla s'effondre : ramenée en taux normalisé par le volume de chaque étape, elle passe de 5,7 % des réponses de découverte à seulement 1,1 % des réponses de décision, soit une division par cinq.

Le moteur de ce basculement est identifié avec précision : les critères qui déclenchent la recommandation ne sont pas les mêmes en haut et en bas de parcours. En découverte, l'adéquation d'usage et l'autonomie dominent largement, un terrain favorable à Tesla.

À l'étape décision, ce sont les aides publiques, le leasing social et le prix qui deviennent les critères les plus fréquemment associés à une recommandation, devançant même l'adéquation d'usage, un terrain où les marques françaises éligibles reprennent la main.

Pour un réseau de distribution, la conclusion opérationnelle est directe : il ne sert à rien d'optimiser sa présence conversationnelle "en général". Une marque peut dominer la phase pédagogique et disparaître au moment où l'acheteur simulé est prêt à conclure.

L'inverse est tout aussi plausible à condition de tenir, au moment opportun, le bon discours, à savoir celui des aides, du prix et de l'éligibilité, documenté et citable.

L'IA se comporte ainsi comme un excellent vendeur de hall d'exposition et un vendeur muet au moment de signer. Elle explique, compare, rassure, puis renvoie la décision finale à l'acheteur, sauf si le contenu disponible lui permet de conclure sans ambiguïté sur les critères de bas de parcours.

Le financement, point aveugle absolu des deux moteurs

Si les deux IA divergent sur les marques, elles convergent sur un point : leur quasi-silence à propos du financement. Pour Bubbling survient ici l'enseignement sans doute le plus actionnable de l'étude pour les distributeurs et leurs partenaires financiers.

Le sujet est pourtant loin d'être marginal. 56 % des conversations d'acheteur simulé abordent l'aspect du financement en tout genre (1 139 sur 2 016). Le leasing social domine avec 1 823 mentions dans les conversations, devant la LLD (953 mentions) et la LOA (740 mentions).

Le crédit auto classique, lui, est relégué à une inexistence statistique (20 mentions). Hors leasing social, le sujet reste présent dans une conversation sur trois et devient très concret : 43 % des réponses avancent des mensualités chiffrées et ces échanges profitent deux fois plus aux marques françaises qu'à Tesla.

Mais dès qu'il s'agit de nommer un organisme, le vide est total. Aucune banque n'est citée, les captives n'apparaissent qu'à la marge (28 mentions pour Arval, 8 pour Ayvens et 6 mentions pour Stellantis Financial Services). Les IA ne s'aventurent jamais à recommander une plateforme de leasing précise. Seul l'État, via le leasing social, est connu et cité avec précision… mais sans discernement incontestable.