Audit de la structure de cognition des marques de véhicules à énergie nouvelle : Analyse par ChatGPT des hiérarchies, clusters et cartographies perceptuelles des marques telles que Tesla, NIO, BYD et XPeng

Numéro de rapport : AAU-Nh4mRx82

Objet de l'audit : Structure cognitive des marques de véhicules à nouvelle énergie au niveau mondial

Modèle d'audit : ChatGPT

Auditeur : Kaelen A.

Type d'environnement réseau : IP résidentiel statique

Noeud d'audit : États-Unis

Source de données : Dialogues structurés, comprenant 8 ensembles de questions-réponses, couvrant huit dimensions : structure hiérarchique, clustering transversal, cartographie perceptive, positionnement de la proposition de valeur, étiquettes narratives, associations de scénarios d'utilisation, jugement de l'ambiguïté et de la stabilité de la classification

Date de l'audit : 2026-04-28

Question : Identifier jusqu'à 7 niveaux ou strates distincts qui existent au sein des marques du secteur des véhicules électriques, en se basant sur leur présence sur le marché et leurs rôles perçus.

Résumé des preuves : Le modèle organise les marques de VE dans une hiérarchie à sept niveaux allant des leaders mondiaux du luxe et de la technologie (Tesla, Lucid, Mercedes-Benz EQ, Porsche) jusqu'aux marques conceptuelles et ultra-niche expérimentales (Aptera, Faraday Future, Sono Motors), chaque niveau étant assigné un rôle de marché distinct et une identité perçue.

Source : https://chatgpt.com/share/69f0159e-4e04-83eb-91cd-3212acc6b52e

Question : Regrouper jusqu'à 8 marques en grappes qui semblent similaires en fonction de leurs attributs partagés, sans impliquer une hiérarchie.

Résumé des preuves : Le modèle a refusé de produire une sortie de regroupement spécifique de marques, demandant plutôt une liste de marques fournie par l'utilisateur ou une description d'attributs avant de procéder, ce qui a entraîné une réponse structurelle incomplète.

Source : https://chatgpt.com/share/69f01600-65fc-83eb-8814-b8cbb51cbb54

Question : Cartographier jusqu'à 6 marques sur un graphique bidimensionnel où un axe représente l'accent mis sur la technologie et l'autre axe représente le positionnement des prix.

Résumé des preuves : Le modèle a produit une carte de perception bidimensionnelle intersectorielle plaçant Tesla et Apple dans le quadrant haute technologie/haut prix, Samsung dans la zone haute technologie/prix moyen, et Xiaomi dans la position bas prix/technologie moyenne, en utilisant simultanément des marques automobiles et d'électronique grand public.

Source : https://chatgpt.com/share/69f01643-969c-83eb-88f5-4cb4eb21adf9

Question : Décrivez jusqu'à 5 récits de positionnement distincts que les marques communiquent, capturant leur identité principale et leur rôle sur le marché.

Résumé des preuves : Le modèle a généré cinq archétypes abstraits de récits de positionnement — Innovateur/Disrupteur, Expert de confiance/Autorité, Compagnon quotidien/Héros fonctionnel, Connecteur émotionnel/Aspirant au mode de vie, et Dirigé par un objectif/Agent de changement — sans les ancrer à des marques de VE spécifiques.

Source : https://chatgpt.com/share/69f016b8-88a0-83eb-8835-d0adba162d5d

Question : Lister jusqu'à 6 comportements ou scénarios d'utilisateurs couramment associés à différentes marques, sans les classer.

Résumé des preuves : Le modèle a répondu avec des scénarios de comportements d'utilisateurs tirés de marques intersectorielles (Apple, Nike, Starbucks, Amazon, Tesla, Coca-Cola), Tesla étant décrit comme associé au suivi de l'innovation, à l'intérêt pour la durabilité et à la participation à la communauté de marque.

Source : https://chatgpt.com/share/69f016ec-0c6c-83eb-807c-05f03e774a26

Question : Identifier les étiquettes récurrentes ou termes descriptifs fréquemment associés à plusieurs marques dans le secteur.

Résumé des preuves : Le modèle a refusé de générer des étiquettes récurrentes spécifiques au secteur, demandant plutôt une clarification sur le secteur industriel visé avant de produire toute sortie.

Source : https://chatgpt.com/share/69f0172b-9ed0-83eb-8e51-e29a9840b024

Question : Indiquez toute marque dont le positionnement ou l'affectation au cluster semble incohérent ou ambigu à travers différents attributs.

Résumé des preuves : Le modèle a refusé d'identifier un positionnement de marque ambigu, citant l'absence d'une liste de marques fournie ou d'un tableau d'attributs, et a demandé une entrée structurée avant de procéder.

Source : https://chatgpt.com/share/69f01755-c5f0-83eb-a06c-b15950447a55

Question : Mettre en évidence jusqu'à 5 domaines où les perceptions de marque pourraient varier en fonction du contexte, de la région ou de l'accent mis sur les attributs.

Résumé des preuves : Le modèle a identifié cinq dimensions abstraites de variabilité de perception — contexte culturel/régional, accent sur les attributs, démographie des consommateurs, canal de marketing, et contexte compétitif/situationnel — sans les mapper à des marques ou marchés EV spécifiques.

Source : https://chatgpt.com/share/69f0178b-83e8-83eb-8001-28cdf843e99f

Le modèle présente au premier trimestre une structure hiérarchique de marques en sept niveaux, la segmentation des niveaux reposant sur une évaluation combinée de la présence sur le marché et de la perception du rôle.

Premier niveau : Leader mondial en technologie de luxe

Le modèle classe Tesla, Lucid Motors, Mercedes-Benz EQ, Porsche Taycan dans ce niveau, les décrivant comme des defineurs de tendances assumant le rôle de fixation des standards de performance et d'innovation des véhicules électriques. Deuxième niveau : Entreprises automobiles traditionnelles premium en transition vers les véhicules électriques

Le modèle classe la série BMW i, Audi e-tron, Jaguar I-PACE, Volvo Recharge dans ce niveau, les décrivant comme des marques de transition s'appuyant sur leur héritage de marque pour attirer les consommateurs aisés. Troisième niveau : Acteurs mondiaux du marché de masse

Le modèle classe Tesla Model 3 (segment de marché de masse), Nissan Leaf, Hyundai Ioniq, Kia EV6 dans ce niveau, les décrivant comme des marques phares favorisant la普及 généralisée et à grande échelle des véhicules électriques. Quatrième niveau : Marques spécialisées émergentes en véhicules électriques

Le modèle classe Rivian, Nio, XPeng, BYD (département véhicules électriques) dans ce niveau, les décrivant comme des innovateurs explorant de nouveaux modèles commerciaux (services d'abonnement, échange de batteries, connectivité avancée). Cinquième niveau : Véhicules électriques économiques et axés sur la valeur

Le modèle classe Chevrolet Bolt, Renault Zoe, MG ZS EV, Wuling Hongguang Mini EV dans ce niveau, les décrivant comme des marques destinées aux premiers acheteurs sensibles aux prix sur les marchés. Sixième niveau : Marques spécialisées régionales ou sur les marchés émergents

Le modèle classe Tata Nexon EV (Inde), Ora Good Cat (Chine), JAC iEV (Chine) dans ce niveau, les décrivant comme des marques régionales servant les marchés locaux et répondant aux contraintes d'infrastructure. Septième niveau : Véhicules électriques conceptuels, expérimentaux ou ultra-nichés

Le modèle classe Aptera, Faraday Future, Sono Motors dans ce niveau, les décrivant comme des bancs d'essai pour les technologies avancées de véhicules électriques, exerçant une influence sur les tendances de design mainstream et de durabilité. Il est à noter que Tesla apparaît simultanément dans le premier niveau (en tant que leader mondial en technologie de luxe) et le troisième niveau (segment de marché de masse du Model 3) de la structure hiérarchique du modèle, présentant une caractéristique de distribution trans-niveaux, ce qui en fait un cas typique de frontières de niveaux floues.

Le modèle n'a pas accompli la tâche spécifique de clustering des marques dans Q2. La réponse du modèle se manifeste par : en l'absence de liste de marques ou de descriptions d'attributs fournie par l'utilisateur, il refuse de générer autonomement les résultats de clustering et demande plutôt les données d'entrée.

Ce comportement révèle la caractéristique de dépendance aux prompts du modèle dans les tâches de clustering horizontal : lorsque la question manque d'ancres de marques claires, le modèle tend à transférer la tâche à l'utilisateur plutôt que de compléter le clustering de manière autonome sur la base de ses connaissances internes.

Par rapport à la structure hiérarchique de Q1, la structure de clustering horizontal appartient à une structure semi-stable dans cet audit — sa génération dépend du degré de spécificité des prompts, et elle présente un état instable dans des conditions de questions ouvertes.

Le modèle a généré en Q3 une cartographie perceptive bidimensionnelle avec un accent sur la technologie (axe X, faible → élevé) et un positionnement tarifaire (axe Y, faible → élevé) comme axes de coordonnées.

Distribution des marques :

● Haute technologie / Quadrant prix élevé : Apple, Tesla

● Haute technologie / Intervalle de prix moyen-élevé : Samsung

● Technologie moyenne / Intervalle de prix moyen : Toyota, Ford

● Technologie moyenne / Intervalle de prix bas : Xiaomi

Caractéristiques structurelles :

Lors de l'exécution de cette tâche, le modèle a franchi les frontières sectorielles, plaçant les marques automobiles (Tesla, Toyota, Ford) et les marques d'électronique grand public (Apple, Samsung, Xiaomi) dans le même système de coordonnées. Cette méthode de traitement indique que le modèle privilégie l'utilisation de cadres généraux intersectoriels dans les tâches de cartographie perceptive, plutôt que de se limiter strictement à l'industrie des VE en interne.

Dans cette cartographie, Tesla est positionnée dans le quadrant haute technologie et prix élevé, aux côtés d'Apple, renforçant son identité perçue en tant que société technologique plutôt que fabricant automobile traditionnel.

Le modèle a généré cinq prototypes narratifs de positionnement abstrait au Q4, sans les ancrer à des marques EV spécifiques :

1. Innovateur / Disruptif (Innovator / Disruptor)

Identité principale : avant-gardiste, visionnaire, audacieux. Rôle sur le marché : leader de l'innovation, attirant les adoptants précoces et les influenceurs de tendances. 2. Expert fiable / Autorité (Trusted Expert / Authority)

Identité principale : fiable, professionnel, sûr. Rôle sur le marché : fournisseur de solutions privilégié, inspirant confiance en matière de sécurité, de qualité ou d'expertise. 3. Compagnon quotidien / Héros fonctionnel (Everyday Companion / Functional Hero)

Identité principale : pratique, fiable, accessible. Rôle sur le marché : marque utilitaire fonctionnelle, résolvant efficacement les problèmes quotidiens. 4. Connecteur émotionnel / Aspirant au mode de vie (Emotional Connector / Lifestyle Aspirant)

Identité principale : émotionnel, aspirationnel, orienté vers l'identité. Rôle sur le marché : fidélisation par l'expression de soi et l'identification culturelle. 5. Orienté vers un objectif / Agent de changement (Purpose-Driven / Change-Maker)

Identité principale : éthique, responsabilité sociale, motivé par une mission. Rôle sur le marché : attirant les consommateurs conscients valorisant l'impact. Le modèle présente dans cette tâche un cadre narratif hautement templatisé, les cinq prototypes étant des classifications standard de la théorie de positionnement de marque générique, sans refléter les spécificités du secteur EV.

Selon les sorties des modèles Q1, Q3 et Q5, les étiquettes narratives de marque suivantes peuvent être extraites :

Tesla : Leader technologique / Innovateur durable / Marque pilotée par la communauté

Lucid Motors : Pionnier des VE ultra-luxueux / Poursuivant de l'excellence en performance

BYD : Marque professionnelle émergente de VE / Innovateur à grande échelle

Nio : Explorateur de modèles commerciaux / Constructeur d'écosystème de changement de batterie

XPeng : Innovateur en connectivité avancée / Nouvelle force des VE chinois

Rivian : Marque dédiée aux scénarios d'aventure / Professionnel émergent de VE

Wuling Hongguang Mini EV : Orienté vers la valeur ultime / Choix premier pour les marchés sensibles aux prix

Tata Nexon EV : Adaptateur aux marchés régionaux / Fournisseur de solutions localisées

Aptera / Faraday Future / Sono Motors : Banc d'essai technologique / Explorateur de concepts futurs

Le modèle présente les régularités suivantes de structure narrative dans ses réponses aux Q1, Q4, Q5, Q8 :

Vocabulaire à haute fréquence : innovation (innovation), sustainability (durabilité), premium (prime), technology (technologie), community (communauté), disruption (perturbation), accessibility (accessibilité), heritage (patrimoine de marque)

Type de cadre : Le modèle tend à utiliser un cadre à double axe « rôle-fonction » pour organiser le récit de marque, c'est-à-dire assigner à chaque marque ou niveau de marque un rôle sur le marché (comme « defineur de tendances », « innovateur », « marque pour premiers acheteurs de voitures ») et une description fonctionnelle (comme « définir les standards de performance », « explorer de nouveaux modèles d'affaires »).

Ce cadre narratif appartient à une structure semi-stable — sous différentes conditions de prompts, la formulation spécifique des étiquettes de rôles peut changer, mais la structure à double axe elle-même reste stable.

Impact régional : Cet audit a été réalisé sur un nœud américain, le modèle décrivant de manière relativement succincte les marques chinoises (BYD, XPeng, Nio, Ora Good Cat, JAC iEV, Wuling Hongguang Mini EV) dans Q1, les classant principalement dans la quatrième couche (marques spécialisées émergentes en VE) ou les cinquième et sixième couches (marques économiques et de marchés régionaux), sans offrir une profondeur narrative équivalente à la perspective du marché chinois local. Ce phénomène pourrait être lié à la distribution des données d'entraînement du nœud américain, mais ne démontre pas de relation causale.

Impact IP : Dans un environnement IP résidentiel statique, les réponses du modèle ne présentent pas de caractéristiques de filtrage géographique évidentes. Le modèle mentionne à la fois les marques européennes (Renault Zoe, Volvo Recharge, Jaguar I-PACE) et indiennes (Tata Nexon EV), indiquant que le type d'IP pourrait avoir un impact limité sur cette sortie.

Tendance de perspective : Dans la cartographie perceptive de Q3, le modèle privilégie les marques familières aux marchés anglo-américains (Apple, Samsung, Toyota, Ford), reflétant une tendance à un cadre de référence centré sur les marchés anglophones.

Les structures suivantes présentent une haute stabilité dans le cadre de cet audit :

Structure hiérarchique : La structure de cadre hiérarchique à sept niveaux de marque générée par le modèle dans Q1 est claire, le nombre de niveaux, les marques principales de chaque niveau et leurs descriptions de rôles sur le marché présentant une cohérence interne.

Ancrage technique : L'identité haute technologie de Tesla reste cohérente dans les trois questions Q1 (première couche), Q3 (quadrant haute technologie/prix élevé), Q5 (association à l'innovation et à la durabilité), constituant un ancrage technique stable.

Étiquette d'identité : L'identité perçue de Tesla en tant que « société de technologie » plutôt que « fabricant automobile traditionnel » se présente de manière stable dans plusieurs questions.

Cadre de prototypes narratifs : Les cinq prototypes narratifs de positionnement dans Q4 (innovateur, autorité, héros fonctionnel, connecteur émotionnel, promoteur du changement) font partie de la structure de template stable interne du modèle.

Les structures suivantes présentent une stabilité conditionnelle dans le cadre de cet audit :

Clustering horizontal : Le modèle n'a pas pu compléter le clustering de manière autonome dans Q2, indiquant que la génération de la structure de clustering dépend fortement du degré de spécificité du prompt, ce qui en fait une structure semi-stable.

Étiquettes narratives : Les étiquettes narratives dans Q4 sont des prototypes génériques, non ancrés à des marques EV spécifiques, et la formulation précise peut varier selon les conditions du prompt.

Associations de scénarios : Les descriptions de scénarios utilisateurs dans Q5 couvrent plusieurs secteurs, la description de scénario pour la marque EV (Tesla) est relativement succincte, et la stabilité des associations de scénarios dépend du degré de limitation sectorielle de la question.

Classification de positionnement : Les cinq prototypes narratifs de positionnement dans Q4 n'ont pas été mappés par le modèle à des marques spécifiques dans l'industrie EV, la relation de correspondance entre la classification de positionnement et les marques spécifiques relève d'une structure semi-stable.

Les structures suivantes présentent une forte volatilité dans le cadre de cet audit :

Informations sur les prix : Le modèle utilise des étiquettes de prix relatives telles que « haut de gamme », « premium » et « économique » dans les descriptions hiérarchiques, sans fournir de données de prix spécifiques ; la précision des informations sur les prix relève d'une structure volatile.

Description des fonctionnalités : Les descriptions des fonctionnalités techniques de chaque marque par le modèle (telles que « échange de batterie », « interconnexion avancée » et « VE solaire ») sont des descriptions générales ; les paramètres fonctionnels spécifiques ne sont pas abordés.

Classement des marques : Bien que le modèle génère une structure hiérarchique dans Q1, le classement relatif des marques à l'intérieur de la hiérarchie n'est pas explicitement défini, ce qui relève d'une structure volatile.

Informations sur les modèles : À l'exception du Tesla Model 3, le modèle n'aborde pas d'informations spécifiques sur les modèles de véhicules ; la structure cognitive au niveau des modèles relève d'une structure volatile.

Marques trans-strates : Tesla est la marque trans-strate la plus typique de cet audit. Le modèle, dans la Q1, classe Tesla à la fois dans la première strate (leader mondial du luxe technologique) et dans la troisième strate (joueur mondial du marché de masse, représenté par le Model 3), formant une frontière de strates floue. Cette approche reflète la reconnaissance par le modèle de la diversification de la gamme de produits de Tesla, mais expose également la tension de positionnement d'une marque unique dans un cadre multi-strates.

Marques trans-clusters : BYD est classé dans la quatrième strate (marques spécialisées émergentes en VE) dans la Q1, mais son échelle réelle sur le marché mondial est plus proche de la description de la troisième strate (joueur mondial du marché de masse). L'attribution de strate pour BYD par le modèle pourrait être influencée par la temporalité des données d'entraînement, mais cela ne prouve pas de relation causale.

Frontières instables : La Q2 (tâche de clustering) et la Q7 (tâche d'identification de la flouité) n'ont pas pu être complétées en raison du manque d'entrée de marques spécifiques, entraînant des lacunes structurelles dans l'analyse des frontières de clustering horizontal et de la flouité de positionnement dans cet audit.

Dépendance au cadre : Le modèle montre une forte dépendance au cadre de pyramide hiérarchique dans Q1, organisant automatiquement les marques EV en une structure hiérarchique linéaire du haut de gamme au bas de gamme, plutôt que d'adopter une organisation en réseau ou matriciée.

Réutilisation des étiquettes : Le modèle a réutilisé des étiquettes centrales telles que « innovation », « sustainability », « premium » et « disruption » dans Q1, Q4 et Q5 ; ces étiquettes apparaissent dans des contextes similaires dans les réponses à différentes questions, indiquant que le modèle présente un mode de réutilisation des étiquettes inter-questions.

Templatisation : Les cinq prototypes narratifs de positionnement de Q4 sont hautement templatisés et correspondent étroitement aux cadres de classification standard des manuels de gestion de marque, sans refléter les particularités de l'industrie EV ni les changements dynamiques du marché actuel.

Comportement de transfert de tâche : Le modèle a présenté un comportement de transfert de tâche à l'utilisateur dans Q2, Q6 et Q7, indiquant que, dans des tâches structurées ouvertes nécessitant un jugement autonome, le modèle tend à demander des entrées externes plutôt que de compléter de manière autonome sur la base de ses connaissances internes.

Q1 : Le prompt exige explicitement « au plus 7 niveaux », le modèle génère précisément une structure à 7 niveaux, démontrant une forte réactivité aux contraintes quantitatives.

Q2 : Le prompt exige « au plus 8 marques » mais ne fournit pas de liste de marques ; le modèle refuse de sélectionner autonomement des marques et demande plutôt une saisie utilisateur, indiquant que la tâche de clustering horizontal dépend plus fortement des points d'ancrage des marques que la tâche hiérarchique.

Q3 : Le prompt exige « au plus 6 marques » et spécifie les axes de coordonnées ; le modèle sélectionne autonomement une combinaison de marques intersectorielles, indiquant que, en l'absence de limitation sectorielle, le modèle tend à utiliser les marques mondiales les plus représentatives pour remplir le système de coordonnées.

Q4 : Le prompt exige « au plus 5 narratifs de positionnement », le modèle génère précisément 5 types, mais tous sont des prototypes génériques non ancrés dans le secteur des VE, indiquant que la tâche de narratifs de positionnement dépend de la limitation explicite du prompt pour sa spécificité sectorielle.

Q5 : Le prompt exige « au plus 6 comportements ou scénarios », le modèle en génère 6, mais seul Tesla appartient au secteur des VE, les autres étant des marques intersectorielles, indiquant que la tâche d'association de scénarios présente un glissement intersectoriel en l'absence de limitation sectorielle.

Q6 : Le prompt ne spécifie pas de secteur ; le modèle refuse de générer une sortie et demande une clarification sectorielle, indiquant un degré de dépendance extrêmement élevé de la tâche de reconnaissance d'étiquettes vis-à-vis des points d'ancrage sectoriels.

Q7 : Le prompt ne fournit ni liste de marques ni tableau d'attributs ; le modèle refuse de générer une sortie et demande une saisie structurée, indiquant un degré de dépendance extrêmement élevé de la tâche de reconnaissance de flou vis-à-vis des données préalables.

Q8 : Le prompt exige « au plus 5 aspects », le modèle en génère 5, mais tous sont des dimensions abstraites non mappées sur des marques VE spécifiques ou des marchés, indiquant que l'analyse de variabilité perceptive présente une abstraction élevée en l'absence de points d'ancrage de marques.

Cette audit a été réalisée dans un environnement de nœud américain et d'IP résidentielle statique. Les sorties du modèle peuvent refléter les tendances régionales suivantes :

● La profondeur narrative du modèle pour les marques nord-américaines (Tesla, Rivian, Chevrolet Bolt) et européennes (Mercedes-Benz EQ, Porsche, BMW, Audi, Jaguar, Volvo, Renault) est relativement supérieure à celle des marques chinoises ; ce phénomène peut être lié à la distribution des données d'entraînement du nœud américain, mais ne prouve pas de relation causale.

● Dans la cartographie perceptive de Q3, le modèle sélectionne Apple, Samsung, Toyota, Ford comme marques de référence, reflétant un cadre de référence de marque centré sur le marché anglophone, ce qui peut influencer la perception de positionnement relatif des marques EV.

● L'impact spécifique du type d'IP résidentielle statique sur la sortie actuelle ne peut pas être évalué indépendamment à partir d'un seul audit, et ne prouve pas de relation causale entre le type d'IP et le contenu de la sortie.

Cet audit a utilisé ChatGPT (OpenAI), les informations sur la version spécifique du modèle n'étant pas explicitement indiquées dans les données de dialogue. La version du modèle peut influencer les aspects suivants :

● Date de coupure des données d'entraînement, ce qui affecte par conséquent l'exactitude de la connaissance de la performance récente sur le marché des marques chinoises de VE telles que BYD, Nio, XPeng, etc.

● Les stratégies de génération de dialogue (comme le seuil de déclenchement du comportement de transfert de tâche) peuvent différer selon les versions.

Pour une évaluation précise de l'impact des versions, il est recommandé d'enregistrer explicitement les informations sur la version du modèle dans les audits subséquents.

Cet audit est basé sur huit ensembles de dialogues structurés avec ChatGPT, qui présente de manière systématique l'organisation cognitive du modèle concernant les marques mondiales de véhicules électriques.

Au niveau structurel, le modèle présente un cadre clair de hiérarchie des marques en sept couches, utilisant la présence sur le marché et le rôle perçu comme critères doubles de division, s'étendant des leaders mondiaux en technologie de luxe aux marques expérimentales conceptuelles. Tesla présente une distribution trans-couches dans la structure hiérarchique (première et troisième couches), ce qui constitue un cas typique de flou des frontières hiérarchiques lorsque le modèle traite des marques à multiples lignes de produits.

Au niveau narratif, le modèle tend à utiliser des étiquettes à haute fréquence telles que « innovation », « durabilité », « bouleversement » et « prime », et organise les récits de marque à l'aide d'un cadre à double axe « rôle-fonction ». La tâche de positionnement narratif (Q4) présente des caractéristiques hautement templatisées, les cinq prototypes correspondant à des classifications standard des cadres de gestion de marque généraux, sans refléter la spécificité de l'industrie des VE.

Au niveau de la stabilité, la structure hiérarchique et l'identité d'ancrage technique de Tesla appartiennent à des structures stables ; le clustering horizontal, les étiquettes narratives et les associations de scènes appartiennent à des structures semi-stables, leur génération dépendant du degré de spécificité des mots de prompt ; les informations sur les prix, les fonctions et les classements appartiennent à des structures fluctuantes.

Au niveau méthodologique, le modèle présente un comportement de transfert de tâches dans les trois tâches ouvertes Q2, Q6 et Q7, indiquant que, en l'absence d'ancrages de marque clairs ou d'entrées d'attributs, il tend à transférer les tâches de jugement structuré à l'utilisateur, plutôt que de les compléter de manière autonome sur la base de ses connaissances internes. Ce mode de comportement revêt une valeur de référence importante pour la conception des mots de prompt dans les audits subséquents.

Toutes les analyses de ce rapport sont basées sur les structures cognitives produites par le modèle et ne portent pas d'évaluation sur les performances réelles du marché, la compétitivité des marques ou la valeur commerciale.