Fiches produits et assistants d'achat IA : être recommandé

Quand un internaute demande à un assistant IA « quelle poêle conviendrait à une plaque à induction, pour moins de 80 euros », la réponse ne sort pas de nulle part. L'assistant assemble des données produit : un nom, une marque, un identifiant, un prix, un stock, des caractéristiques, des avis. Si votre boutique ne fournit pas ces informations sous une forme lisible par une machine, votre produit n'entre tout simplement pas dans la comparaison. Pour l'e-commerce, la recherche IA est donc d'abord un problème de qualité de données, bien avant d'être un problème de rédaction.

Cet article laisse de côté la visibilité générale des contenus dans les réponses générées, traitée ailleurs. Il se concentre sur une seule question : quelles données produit les assistants d'achat et les moteurs de réponse exploitent-ils pour recommander un article, et comment une boutique doit-elle les préparer ? Vous y trouverez les sources de données, les attributs qui départagent les produits, le rôle des avis, les erreurs qui écartent une fiche, et une méthode d'audit applicable dès aujourd'hui.

D'où viennent les données qu'un assistant d'achat utilise

Un assistant d'achat ne « connaît » pas votre catalogue. Il le reconstitue à partir de plusieurs couches, qui ne se valent pas. La première est le flux produit transmis directement à une plateforme : un fichier structuré, régulièrement mis à jour, où chaque produit est décrit par des champs normalisés. Google Merchant Center en est l'exemple le plus répandu, et les données qui y sont déposées alimentent les surfaces d'achat de Google, dont son graphe de produits. D'autres acteurs, dont certains assistants conversationnels, ont ouvert ou testé leurs propres canaux de flux ; leurs spécifications évoluent vite, il faut donc les relire à la source plutôt que de se fier à un article, celui-ci compris.

La deuxième couche est le contenu de vos pages, exploré comme n'importe quelle page web. Le balisage schema.org de type Product, le HTML visible, le titre, les tableaux de caractéristiques, tout cela est lu par les robots d'exploration. Quand un moteur de réponse fait une recherche en direct pour répondre à une question, il passe par cette couche : il récupère des pages, en extrait des passages, puis rédige.

La troisième couche est tout ce qui parle de vos produits ailleurs que chez vous : comparatifs éditoriaux, forums, pages de marques, places de marché, revendeurs, sites d'avis. Un modèle de langage s'appuie sur ces sources pour juger de la réputation d'un produit et des cas d'usage auxquels il répond. Vous contrôlez mal cette couche, mais vous influencez ce qu'elle contient en fournissant des informations cohérentes partout où votre produit est décrit.

Ces trois couches se recoupent. Un assistant qui trouve un prix dans le flux, un autre prix dans le balisage de la page et un troisième chez un revendeur n'a aucune raison de faire confiance à l'un d'eux. La cohérence entre les sources compte autant que la richesse de chacune.

Le flux produit : la source que l'on néglige le plus

Beaucoup de boutiques traitent le flux comme une tuyauterie publicitaire, configurée une fois par l'agence qui gère les campagnes Shopping, puis oubliée. C'est une erreur de perspective : le flux est la description la plus structurée de votre catalogue, et c'est précisément le type de données qu'un système automatisé sait exploiter sans ambiguïté.

Les champs qui pèsent le plus dans les spécifications publiques des plateformes sont peu nombreux. Il faut les traiter comme un socle avant d'enrichir le reste :

• L'identifiant produit global (GTIN) ou, à défaut, la référence fabricant (MPN) et la marque. Sans eux, l'assistant ne peut pas savoir que votre article est le même qu'un article vendu ailleurs, donc il ne peut ni le comparer ni agréger ses avis.
• Le titre, rédigé pour décrire et non pour accrocher : marque, type de produit, modèle, et les deux ou trois attributs qui distinguent cette variante (taille, couleur, matière, capacité).
• Le prix et la disponibilité, à jour. Un produit affiché en stock qui ne l'est plus est l'erreur la plus coûteuse en confiance, pour un flux comme pour un assistant qui l'a cité.
• La catégorie selon la taxonomie de la plateforme, la plus précise possible, car elle détermine quels attributs sont attendus et comparés.
• Les frais de livraison, les délais et la politique de retour, qui comptent dans beaucoup de demandes (« livré avant vendredi », « retour gratuit »).
• Les variantes reliées entre elles par un identifiant de groupe, pour qu'un même modèle décliné en six couleurs ne devienne pas six produits concurrents.

Les attributs qui départagent deux produits

Les requêtes adressées à un assistant sont rarement « chaussures de running ». Elles ressemblent plutôt à « chaussures de running stables pour pied large, marathon, moins de 130 euros, livraison rapide ». Chaque morceau de cette phrase correspond à un attribut. Un produit dont l'attribut manque ne peut pas être sélectionné, même s'il est objectivement le meilleur.

La méthode la plus fiable pour savoir quels attributs renseigner consiste à partir des questions réelles, non de votre fiche technique interne. Relisez les questions posées au support, les filtres les plus utilisés dans votre navigation à facettes, les critères mis en avant dans les comparatifs de votre catégorie. Ce sont ces critères que les assistants réutilisent, parce que ce sont ceux que les humains emploient pour décider.

Un exemple concret. Une boutique vend des sacs à dos de randonnée. Sa fiche indique « 35 L, robuste, confortable ». L'assistant, lui, doit répondre à « sac de 2 jours, pour une personne de petite taille, moins de 1,2 kg ». La boutique n'a donné ni le poids, ni la longueur de dos disponible, ni la mention que le sac existe en coupe femme. Elle ne sera jamais retenue pour cette demande, alors que son produit convient parfaitement. Le correctif n'a rien de magique : ajouter le poids mesuré, les tailles de dos, le volume exact, les matériaux, dans un tableau clair et dans les champs du flux.

Quelques principes pour des attributs exploitables :

• Une valeur précise, avec son unité, vaut mieux qu'un adjectif : « 1 150 g » plutôt que « léger ».
• Utilisez le même vocabulaire partout : si le flux dit « anthracite » et la page « gris foncé », vous créez de l'ambiguïté.
• Indiquez les usages et les incompatibilités (« compatible induction », « non lavable en machine »), car les assistants doivent éviter de recommander un produit inadapté.
• Séparez les faits vérifiables des formules commerciales : « étanche IPX7 » est exploitable, « ultra-performant » ne l'est pas.

Données structurées sur la page : ce qui aide vraiment

Le balisage schema.org reste le moyen le plus direct de dire à un robot ce que contient une page produit. Les types utiles sont connus : Product pour l'article, Offer pour le prix et la disponibilité, Brand, et les propriétés d'identification comme gtin ou mpn. Google documente aussi des propriétés pour les politiques de retour et les frais d'expédition, qui permettent d'exposer ces informations sans dépendre uniquement du flux.

Deux règles évitent l'essentiel des problèmes. D'abord, le balisage doit refléter ce que l'internaute voit sur la page : un prix présent dans le JSON-LD mais absent ou différent à l'écran est traité comme une incohérence, et peut vous faire perdre l'éligibilité aux affichages enrichis. Ensuite, le balisage doit être présent dans le HTML servi, ou du moins rendu de façon fiable. Un balisage injecté tardivement par un script que certains robots n'exécutent pas revient à ne rien avoir balisé pour eux.

Ne comptez pas sur les données structurées comme sur un levier de classement magique. Elles ne garantissent pas qu'un assistant vous recommande. Elles réduisent le risque qu'il se trompe sur vous, ce qui est déjà une condition nécessaire. Un assistant qui hésite entre deux produits équivalents choisira celui dont les données sont complètes et cohérentes, parce que c'est celui qu'il peut décrire sans se tromper.

Pensez enfin à la page elle-même. Une fiche produit qui se résume à un visuel, un bouton et trois lignes génériques fournit peu de matière à extraire. Un passage qui répond clairement à « pour qui est-ce adapté ? », « qu'est-ce qui le distingue ? », « quelles sont les limites ? » est à la fois utile à l'acheteur et facile à citer.

Les avis : ce que les assistants en tirent, et ce qu'il ne faut pas faire

Les avis jouent un double rôle. Ils servent de signal de réputation (ce produit est-il fiable, ce vendeur honnête ?) et de source de contenu : c'est dans les avis que se trouvent les usages réels, les défauts récurrents, les comparaisons spontanées (« plus silencieux que le modèle précédent »). Un assistant qui résume les points forts et faibles d'un produit s'appuie largement sur ce matériau.

Ce que vous pouvez faire est assez simple. Collectez des avis vérifiés, liés à un achat, sur des produits précis et non en vrac pour la boutique. Laissez les avis négatifs visibles : un ensemble d'avis uniformément parfaits est suspect pour un lecteur comme pour un système d'analyse. Répondez aux critiques factuelles, car une réponse précise du vendeur ajoute de l'information exploitable. Et relayez les avis dans le balisage AggregateRating ou Review uniquement lorsqu'ils sont réellement affichés sur la page et collectés selon les règles des moteurs.

Ce qu'il ne faut pas faire est tout aussi important. N'inventez pas d'avis, n'achetez pas de volume, n'affichez pas sur une page les notes d'un autre produit. Les moteurs disposent de règles explicites contre les avis auto-rédigés dans le balisage, et les assistants recoupent les sources : une note parfaite chez vous et médiocre partout ailleurs fragilise votre crédibilité plutôt que de la renforcer.

Un point souvent oublié : les avis ne se transfèrent d'une source à l'autre que si l'identifiant produit est le même. Sans GTIN commun, vos 400 avis restent chez vous, invisibles pour un agrégateur qui compare le produit à l'échelle du marché.

Les erreurs qui écartent une fiche produit

Dans les audits de catalogues, les mêmes défauts reviennent, et aucun ne demande de technologie particulière pour être corrigé. Les voici par ordre d'impact probable :

• Des données contradictoires entre flux, page et balisage : prix, stock, nom de variante, délais. Une seule source désynchronisée suffit à faire douter du reste.
• Des descriptions dupliquées depuis le fabricant, identiques chez tous les revendeurs. Le système n'a alors aucune raison de citer votre page plutôt qu'une autre, et il privilégiera la plus autoritaire.
• Des titres bourrés de mots-clés (« Sac à dos pas cher promo meilleur randonnée 35L ») qui brouillent l'extraction de la marque, du modèle et des attributs.
• Des attributs essentiels cachés dans une image, un PDF ou un onglet chargé seulement au clic. Ce qui n'est pas dans le texte rendu n'est pas lu de façon fiable.
• Des pages bloquées aux robots par erreur : règles robots.txt trop larges, mur de cookies, protection anti-bot qui refuse les robots légitimes. Vérifiez quels robots d'exploration des moteurs de réponse vous autorisez, en lisant leur documentation officielle, et décidez en connaissance de cause.
• Des variantes mal gérées, où chaque taille est une page indépendante sans lien avec le modèle, ce qui dilue les avis et multiplie les quasi-doublons.
• Une politique de retour et de livraison introuvable, alors qu'elle figure parmi les critères de décision les plus demandés.

Une méthode d'audit en cinq étapes

Plutôt que de tout refaire, choisissez vingt produits représentatifs : vos meilleures ventes, quelques produits à forte marge, quelques références de longue traîne. Appliquez-leur la même grille.

Première étape, posez les questions à un assistant. Formulez cinq requêtes réalistes par produit, comme le ferait un acheteur, avec contraintes de budget, d'usage et de délai. Notez quels produits sont cités, lesquels manquent, quelles erreurs apparaissent. Les réponses varient d'un essai à l'autre, donc répétez et cherchez des tendances, non un résultat unique. Gardez en tête que cet exercice est qualitatif : il ne mesure pas un volume de recherche ni une part de marché.

Deuxième étape, comparez les trois couches. Pour chaque produit, alignez côte à côte le flux, le JSON-LD de la page et le texte visible. Tout écart est un défaut à corriger à la source, en général dans votre système de gestion du catalogue, non dans chaque canal séparément.

Troisième étape, mesurez la complétude des attributs par catégorie. Listez les dix critères que les acheteurs de cette catégorie emploient, puis comptez combien de produits les renseignent. Les trous sont votre feuille de route.

Quatrième étape, vérifiez les identifiants. Pourcentage de produits avec GTIN valide, marque renseignée, identifiant de groupe pour les variantes. C'est souvent la plus grosse marge de progression, et la moins visible.

Cinquième étape, contrôlez l'accès et la fraîcheur : les robots atteignent-ils vos pages, le flux est-il mis à jour assez souvent pour que prix et stock restent exacts, les pages épuisées sont-elles gérées proprement plutôt que supprimées en erreur ?

Ce qu'il faut attendre de ce travail, et ce qu'il faut éviter de promettre

Aucune donnée, aussi propre soit-elle, ne garantit d'être recommandé. Les assistants arbitrent selon leurs propres critères, changeants et rarement documentés en détail. Se promettre « la première place dans les réponses IA » est un mauvais objectif. Un objectif défendable est de supprimer les raisons pour lesquelles votre produit serait écarté : identifiant manquant, donnée contradictoire, attribut absent, page inaccessible.

L'effet de bord est favorable. Un catalogue cohérent, détaillé et à jour sert aussi le référencement classique, les campagnes Shopping, les places de marché et l'expérience de l'acheteur qui compare. Le travail n'est pas spéculatif : il profite à tous les canaux, même si aucun assistant ne devait jamais vous citer.

Sur la mesure, restez prudent. Les sources de trafic issues d'assistants sont encore mal identifiées dans beaucoup d'outils d'analyse, et les réponses changent d'une session à l'autre. Suivez les indicateurs que vous pouvez vraiment relier à votre catalogue : taux d'erreurs du flux, produits refusés ou limités dans les plateformes, complétude des attributs, avis par produit, et le trafic référent repérable par ses sources. Et refaites vos tests de requêtes à intervalles réguliers avec le même protocole, pour comparer ce qui est comparable.