Optimiser les achats avec l’IA

TL;DR — L’optimisation des achats avec l’IA consiste à faire recommander et acheter vos produits dans des assistants comme ChatGPT, Google AI Mode, Copilot et Perplexity. La grande différence avec le SEO e-commerce classique est que ces outils s’appuient fortement sur un flux produit : une liste lisible par machine de vos produits, prix et stocks, en plus de votre page Web, et non à sa place. Le poids accordé au flux et à la page varie selon la plateforme. Il faut donc publier un flux complet, exact et frais en plus du SEO de la page, sans le remplacer. Et ne confondez pas deux choses : être recommandé dépend surtout de la qualité des données ; être acheté dans la conversation est une configuration optionnelle distincte.

Qu’est-ce que l’optimisation des achats avec l’IA ?

Les expériences d’achat IA peuvent utiliser les flux marchands, les données produit structurées et les informations Web en direct, mais leurs exigences varient selon la plateforme. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search La documentation produit de Google distingue les flux Merchant Center des données structurées produit présentes sur la page. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Lorsque vous achetez avec un assistant IA, vous ne faites pas défiler une page de dix liens bleus. Vous posez une question — « waterproof backpack for commuting under $150 » (traduction) « sac à dos imperméable pour les trajets quotidiens à moins de 150 $ » — et l’assistant renvoie une courte liste de produits précis, souvent avec des prix, des images et des explications.

Pour produire cette réponse, l’IA ne lit pas toujours votre page produit comme le ferait une personne : elle s’appuie sur les données produit structurées et votre flux, où chaque produit possède des champs comme la marque, le prix, la disponibilité, la taille, la couleur et les images. Le poids du flux par rapport à la page rendue varie selon la plateforme. L’optimisation des achats avec l’IA consiste à rendre ces données, ainsi que le contenu de la page qui les étaye, aussi complets, exacts et actuels que possible afin que vos produits soient sélectionnés.

En quoi cela diffère-t-il du SEO classique ?

Le SEO e-commerce classique optimise la page : titre, texte, liens internes et liens entrants. Cela reste important, car certaines surfaces d’achat IA explorent et lisent encore le HTML. Mais la plupart des agents d’achat IA accordent aussi beaucoup de poids au flux, alors que la plupart des programmes SEO ne le possèdent ni ne l’auditent.

Une belle page produit associée à un flux incomplet ou défectueux peut rester invisible pour les agents qui s’appuient sur les données du flux. Le changement de perspective est là : le flux devient une surface d’optimisation de premier ordre, au même titre que la page, et non un remplacement de celle-ci.

La distinction à retenir

Être recommandé et être acheté sont deux choses différentes.

• Découverte — apparaître ou être recommandé par ChatGPT, Google AI Mode, Copilot ou Perplexity — dépend surtout de votre flux et de la qualité de vos données. Vous n’avez besoin d’aucune intégration spéciale pour cela.
• Paiement — permettre à quelqu’un d’acheter réellement dans la conversation — est une couche optionnelle distincte, gérée par des protocoles commerciaux (des articles dédiés au Agentic Commerce Protocol et au Universal Commerce Protocol existent dans ce cluster).

La plupart des articles mélangent ces deux sujets. Séparez-les et tout devient plus clair : corrigez d’abord vos données, puis ajoutez le paiement dans la conversation lorsque vous êtes prêt.

Que faire en premier ?

• Vérifiez que chaque produit possède des identifiants complets — marque, GTIN/MPN — ainsi qu’un prix et une disponibilité exacts.
• Gardez le prix et le stock à jour : les agents utilisent les données en direct et des informations périmées peuvent vous disqualifier.
• Ajoutez les spécifications réelles du produit et répondez en langage simple à « pour qui est-il destiné et quel problème résout-il ? ».
• Obtenez des avis. Ils servent de critère de départage entre produits similaires.

Vous voulez connaître les surfaces, les facteurs de classement, le problème de mesure et un plan priorisé ? Passez à l’onglet Advanced.

TL;DR — Le changement de catégorie est un changement d’accent : les agents s’appuient fortement sur les catalogues lisibles par machine, si bien que le flux (attributs, données structurées et fraîcheur) devient une surface principale aux côtés de la page. Le dosage exact entre flux et page dépend du fournisseur ; aucune surface n’a publié de formule universelle de classement ni garanti une voie d’inclusion. La distinction à maîtriser est la suivante : la découverte (être recommandé) dépend largement de la qualité du flux et des données et reste indépendante des protocoles, tandis que le paiement (ACP, UCP ou Copilot Checkout) est une couche optionnelle distincte. Les leviers les plus forts sont, dans l’ordre, la complétude des attributs (GTIN/MPN, marque, variantes), l’exactitude du prix et de la disponibilité en temps réel, les images haute résolution, les avis comme départage et un texte produit en langage naturel. Une étude issue d’une source secondaire a constaté un fort chevauchement entre le carrousel d’achat organique de ChatGPT et le classement organique de Google Shopping ; vérifiez la méthodologie primaire avant de considérer le chiffre exact comme établi. La mesure doit associer des indicateurs de visibilité du flux et un rapprochement au niveau des commandes aux sessions, car certains achats IA peuvent ne générer aucune page vue.

Le changement de catégorie, énoncé une fois

Il n’existe aucune formule universelle de classement des achats IA ni voie d’inclusion garantie. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search Traitez les données produit exactes et actuelles comme une infrastructure d’éligibilité et de compréhension, et non comme une garantie de citation. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Pendant vingt ans, le SEO e-commerce a optimisé une page pour un lecteur humain et une liste classée de liens. L’optimisation des achats avec l’IA ajoute une deuxième surface : les données destinées à une machine qui lit un catalogue et compose une réponse. C’est le changement en une phrase, mais il s’agit d’un changement d’accent, pas d’un remplacement net. Les éléments actuels étayent des combinaisons propres à chaque fournisseur de flux, pages et catalogues, et non une règle universelle « flux, pas page » ; certaines surfaces explorent et pondèrent encore le HTML, et les pages restent la source des détails de spécification (cas d’usage, FAQ, matériaux) que les flux ne peuvent pas représenter par des champs.

La raison pour laquelle les flux comptent davantage est mécanique, et non liée à la mode. Les agents d’achat IA s’appuient de plus en plus sur les données produit lisibles par machine — flux et attributs structurés — en parallèle du HTML rendu. Lorsque Google explique son expérience d’achat AI Mode, il décrit un processus appelé query fan-out : « AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options » (traduction) « AI Mode lancera une expansion de requête : il exécutera plusieurs recherches simultanées pour déterminer ce qui rend un sac adapté à la pluie et aux longs trajets, puis utilisera ces critères pour suggérer des options imperméables » (Lilian Rincon, vice-présidente de la gestion produit chez Google). L’expansion rapproche une intention décomposée des attributs du produit. Un texte bourré de mots-clés n’offre rien à mettre en correspondance ; un ensemble d’attributs complet et exact, si.

Découverte ou paiement : la distinction portée par cet article

C’est le modèle mental le plus utile de la page, et celui que la plupart des contenus concurrents comprennent mal.

• Découverte — être recommandé ou mis en avant de manière organique — dépend largement de la qualité des données du flux et des attributs, et est indépendante de l’activation d’un protocole de paiement. Un marchand peut être recommandé par ChatGPT, Google AI Mode, Copilot ou Perplexity uniquement grâce à la qualité de ses données.
• Paiement — finaliser la transaction dans l’assistant — est une couche optionnelle, additive et distincte. C’est le rôle des protocoles : l’Agentic Commerce Protocol (ACP) d’OpenAI et Stripe permet le paiement dans ChatGPT ; le Universal Commerce Protocol (UCP) de Google et Shopify le permet dans Google AI Mode et Gemini ; Microsoft dispose de son propre Copilot Checkout.

Vous n’avez pas besoin d’intégrer ACP ou UCP pour être recommandé. Il vous les faut pour être acheté dans la conversation. Corrigez d’abord les données et ajoutez le paiement lorsque le gain transactionnel justifie l’ingénierie. Les articles consacrés aux protocoles traitent de la mécanique du paiement ; celui-ci ne la reproduit volontairement pas.

Les surfaces, en bref

Cinq surfaces comptent actuellement. Toutes lisent des données structurées ; aucune ne récompense la densité de mots-clés.

Google AI Mode / Shopping Graph. L’échelle est la raison de prendre les flux au sérieux. Dans un article de lancement de mai 2025, Google déclarait « The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability » (traduction) « Le Shopping Graph contient désormais plus de 50 milliards de fiches produit, de détaillants mondiaux aux petits commerces locaux, chacune avec des détails comme les avis, les prix, les couleurs et la disponibilité » (Rincon), et « Every hour more than 2 billion of those product listings are refreshed on Google » (traduction) « Chaque heure, plus de 2 milliards de ces fiches produit sont actualisées sur Google » (même article). Google présente l’ensemble de manière large : « Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment » (traduction) « Notre nouvelle expérience AI Mode est conçue pour chaque étape de l’achat, de l’inspiration à l’achat au bon moment » (Rincon). Traitez les chiffres de 50 milliards et 2 milliards comme des déclarations datées de cet article de lancement, et non comme un compteur en direct ; l’article détaillé du Shopping Graph recense les éventuels chiffres officiels plus récents. Le Shopping Graph fait lui-même l’objet d’un article détaillé dans ce cluster.

ChatGPT Shopping. ChatGPT présente des sélections de produits organiques qui, selon sa propre documentation d’aide, ne sont pas des publicités et ne sont pas reclassées par prix ou livraison dans le classement de base. L’aide à l’achat d’OpenAI décrit une sélection marchande fondée sur des facteurs comme la disponibilité, le prix, la qualité et le fait que le marchand soit le fabricant ou le vendeur principal de l’article (voir Shopping with ChatGPT Search). La documentation commerciale d’OpenAI prend désormais en charge la soumission directe d’un flux produit, évolution importante puisque ChatGPT s’appuyait historiquement sur des fournisseurs de données tiers plutôt que sur un flux envoyé directement par le marchand. La spécification de fichier produit d’OpenAI sépare actuellement un schéma Stable (celui sur lequel construire) d’un schéma Draft, réservé à la planification et non prêt pour la production, et expose trois indicateurs d’éligibilité distincts pour chaque produit — recherche, paiement et publicités — plutôt qu’un simple interrupteur. Le dépôt de fichiers passe par SFTP, avec des instantanés complets attendus au moins chaque jour, des noms de fichiers stables, des formats compressés précis et une gestion explicite des produits supprimés. Cette cadence diffère d’un flux en direct mis à jour chaque minute : concevez votre pipeline autour d’un instantané quotidien plutôt que de supposer une transmission quasi instantanée.

Microsoft Copilot Shopping. La proposition de Microsoft aux marchands est que Copilot offre un personal shopper aux clients, et son Copilot Merchant Program permet aux marchands de « share key product specifications with us, ensuring we have up-to-date details on all your items » (traduction) « partager avec nous les principales spécifications de leurs produits afin que nous disposions de détails à jour sur tous leurs articles ». Techniquement plus mince que les piles de Google ou d’OpenAI, c’est néanmoins une troisième surface qui mérite un flux.

Perplexity Shopping. Perplexity affirme que ses résultats d’achat sont organiques et que les marques ne peuvent pas payer pour être placées ; son programme marchand partage les données du catalogue (avis, prix, spécifications et images) afin de faire correspondre les requêtes en langage naturel aux produits (voir Shop like a Pro).

Gemini consomme les mêmes données du Shopping Graph de Google, donc l’hygiène du flux Google reste importante ici aussi.

Ce qui fait réellement progresser la visibilité

Classés approximativement par levier :

1. Complétude des attributs. GTIN/MPN, marque, prix et disponibilité exacts, variantes de taille et de couleur, images haute résolution. C’est un levier puissant, car la documentation de Google et la spécification de flux d’OpenAI le mettent toutes deux en avant. Le schéma Stable de fichier produit d’OpenAI exige notamment item_id, title, description, url, brand, image_url, un prix avec devise, availability et seller_name. Chaque fiche porte aussi les indicateurs distincts is_eligible_search, is_eligible_checkout et d’éligibilité publicitaire : l’éligibilité à la recherche est une condition préalable au paiement, mais aucun des trois indicateurs n’est garanti par la simple soumission d’un flux. Vérifiez les noms de champs et le comportement exact des indicateurs dans la spécification de fichier produit active d’OpenAI avant de vous y fier : les schémas évoluent.
2. Fraîcheur, selon une cadence réaliste. L’exactitude du prix et du stock compte davantage qu’en SEO classique, mais « temps réel » n’est pas universel : Google décrit l’actualisation de plus de 2 milliards de fiches par heure, tandis que le dépôt de fichiers actuel d’OpenAI repose sur des instantanés complets au moins quotidiens via SFTP, et non sur une transmission en direct. Adaptez la cadence à ce que la surface ingère réellement : un stock ou un prix périmé reste un signal disqualifiant une fois dépassée la fenêtre de rafraîchissement.
3. Images de haute qualité. Plusieurs angles, arrière-plans propres et image correcte pour chaque variante : les agents mettent les images en avant et peuvent parfois les interpréter.
4. Avis et signaux de confiance pour départager des produits par ailleurs similaires. Dans le scorecard en six points des pages produit prêtes pour l’IA de Search Engine Land, Jeff Oxford de Visibility Labs a constaté que le produit médian sur 1 000 prompts e-commerce comptait environ 156 avis et suggère de considérer environ 150 avis ou plus comme un seuil pratique pour l’examen de la visibilité IA. Son explication de la nécessité de détails explicites est simple : les assistants IA ont besoin de spécifications clairement formulées pour comprendre les produits et les faire correspondre aux besoins des clients.
5. Texte produit sémantique et naturel. Écrivez « pour qui est-ce, et quel problème cela résout-il ? », et non une densité de mots-clés : c’est ce que consomment réellement l’expansion de requête de Google et la mise en correspondance conversationnelle de Perplexity et ChatGPT.

Le raccourci multiplateforme évident

Voici le résultat sur lequel j’agirais en premier si je ne disposais que d’un après-midi. Une analyse de Search Engine Land sur les flux produit et la recherche IA, citant une étude de Peec AI sur plus de 43 000 fiches, a constaté que jusqu’à 83 % des produits du carrousel d’achat de ChatGPT correspondaient aux résultats organiques de Google Shopping, environ 60 % des correspondances provenant des positions 1 à 10 de Google Shopping. En clair : le carrousel d’achat organique de ChatGPT recoupe fortement le classement organique de Google Shopping. L’hygiène classique du flux Merchant Center n’est donc pas seulement utile à Google : elle possède un levier multiplateforme disproportionné. Le même article note que les AI Overviews apparaissent désormais dans environ 14 % des requêtes d’achat, contre environ 2 % à la fin de 2024. Les deux chiffres proviennent de la couverture de l’étude Peec AI par Search Engine Land ; revérifiez-les dans l’étude primaire avant de les citer comme vos propres faits.

Lecture pratique : rendez votre flux Google Merchant Center réellement excellent et vous aurez fait la majeure partie du travail pour ChatGPT également. Ajoutez ensuite les flux propres à chaque surface (ChatGPT Product Feed, Microsoft Merchant Center et ingestion du catalogue de Perplexity) lorsque chacun possède son propre schéma et son propre parcours de soumission. Un flux ne fait pas automatiquement gagner cinq moteurs, mais un excellent flux vous en rapproche fortement.

Voici la divergence entre fournisseurs à la date de rédaction — vérifiez les conditions actuelles de chaque programme avant de construire dessus, car elles évoluent rapidement :

L’éligibilité varie selon le fournisseur au niveau du marché, du compte et du produit. Le fait qu’une fonctionnalité ou un paiement soit actif pour un marchand ou un pays ne signifie pas qu’il le soit pour un autre.

John Morabito de Stella Rising présente le flux comme un actif marketing stratégique, plutôt que comme une simple exigence technique : structuré comme un schéma, mais faisant autorité comme votre page produit, la complétude servant souvent de départage (Optimiser les achats ChatGPT).

Mesurer : le problème de l’absence de page vue

La partie inconfortable est qu’une part croissante des achats pilotés par l’IA génère peu ou pas de trace analytique : aucune page vue, aucune session dans GA4. Le fait qu’un parcours particulier évite réellement la page vue dépend du fournisseur, de la conception du transfert entre l’assistant et votre site et de votre instrumentation. C’est un schéma réel et fréquent, pas une propriété garantie de chaque achat médié par l’IA. Le phénomène est particulièrement aigu pour le paiement par protocole (l’article UCP traite en détail de la transaction sans page vue), mais peut aussi concerner une recommandation organique, lorsqu’un utilisateur achète chez un concurrent sans que vous soyez crédité de l’avoir mis en avant.

Le KPI se déplace donc des sessions vers la visibilité du flux et le rapprochement au niveau des commandes :

• Google construit la couche de mesure dans Merchant Center. Sa documentation d’aide décrit les suggestions de merchandising pilotées par l’IA — « Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business » (traduction) « Google Merchant Center utilise l’IA pour analyser vos produits uniques et vos données de performance et découvrir des possibilités pour votre activité » (Aide Merchant Center), tout en précisant que « you’ll always remain in full control to review, adjust, or approve any changes » (traduction) « vous garderez toujours le contrôle total pour examiner, modifier ou approuver les changements » (même page). Google a également indiqué que les insights pour les expériences d’achat optimisées par l’IA arrivent dans Merchant Center, et Search Engine Land a couvert les nouveaux AI Performance Insights et attributs conversationnels qui arrivent dans Merchant Center.
• En attendant leur maturité, rapprochez les données au niveau de la commande : associez les commandes aux métadonnées de référent ou d’agent que vous pouvez capturer.

Réserve stratégique : l’homogénéité des choix

Une nuance mérite d’être conservée comme question stratégique, et pas seulement comme tactique. Une étude de simulation Columbia/Yale de 2025 sur les agents d’achat IA a trouvé des éléments d’homogénéité des choix : les agents concentrent la demande sur un petit ensemble de produits, davantage que la navigation humaine, et a alerté sur une dynamique émergente d’« AI-SEO » qui risque de produire des effets de type gagnant contre tous. Étude citée dans la couverture de Search Engine Journal ; vérifiez le nom de l’étude, les institutions et les résultats dans la source primaire avant de vous y fier. La conséquence est que figurer dans l’ensemble recommandé vaut davantage, tandis qu’être juste à l’extérieur vaut moins, que dans un monde de dix liens bleus. Cela augmente l’importance du travail sur les données décrit plus haut.

Pour approfondir

• Mécanique du paiement : Agentic Commerce Protocol (ACP) et Universal Commerce Protocol (UCP), tous deux dans ce cluster.
• Mécanique des flux et catalogue de Google : les articles sur les flux produit pour l’IA et le Google Shopping Graph, ainsi que Google Merchant Center et l’optimisation des flux Merchant Center pour le détail des attributs.
• Finaliser un achat dans un agent de bout en bout : l’article sur le paiement agentique.

Résumé IA

Une synthèse de la version avancée :

• Le changement : un changement d’accent, et non un remplacement net. Les agents d’achat IA s’appuient fortement sur les catalogues lisibles par machine (attributs du flux produit, données structurées et fraîcheur) en parallèle de la page ; le dosage flux/page varie selon le fournisseur et n’est pas une règle universelle.
• La distinction essentielle : la découverte (être recommandé) dépend surtout du flux et de la qualité des données et reste indépendante des protocoles ; le paiement (ACP pour ChatGPT, UCP pour Google/Gemini, Copilot Checkout pour Microsoft) est une couche optionnelle distincte. Un protocole n’est pas nécessaire pour être visible, seulement pour être acheté dans la conversation.
• Les surfaces : Google AI Mode / Shopping Graph (plus de 50 milliards de fiches, plus de 2 milliards actualisées par heure selon un lancement Google de 2025), ChatGPT Shopping (sélections organiques, pas des publicités ; soumission directe par flux avec schéma Stable et instantanés SFTP quotidiens, plus des indicateurs distincts d’éligibilité recherche/paiement/ publicités), Microsoft Copilot Shopping, Perplexity Shopping (organique, sans paiement pour le placement) et Gemini (adossé au Shopping Graph).
• Les leviers prioritaires : complétude des attributs (GTIN/MPN, marque, variantes) → fraîcheur adaptée à la cadence réelle de chaque surface → images haute résolution → avis comme départage (repère d’environ 150 ou plus) → rédaction sémantique en langage naturel.
• Le raccourci multiplateforme : une étude provenant d’une source secondaire a constaté un fort chevauchement entre le carrousel organique de ChatGPT et le classement organique de Google Shopping (jusqu’à environ 83 % de correspondance rapportée ; vérifiez l’étude primaire), ce qui suggère que l’hygiène Merchant Center profite probablement à plusieurs surfaces.
• La mesure : les achats IA peuvent ne produire aucune page vue, selon le fournisseur et le transfert ; les équipes s’appuient donc de plus en plus sur la visibilité du flux (AI Performance Insights de Google) et le rapprochement des commandes en plus des sessions.
• La réserve : l’homogénéité des choix (Columbia/Yale) signifie que figurer dans l’ensemble recommandé vaut disproportionnellement plus, ce qui renforce l’importance du travail sur les données.
• L’éligibilité est délimitée : elle varie selon le fournisseur, le marché, le compte et le produit ; une fonctionnalité active pour un marchand ou un pays n’est pas garantie pour un autre.

Documentation officielle

Sources de première main sur les plateformes qui exécutent les surfaces d’achat IA.

Google

• Achats sur Google : mises à jour d’AI Mode et de l’essayage virtuel — échelle du Shopping Graph, cadence d’actualisation et expansion de requête (Lilian Rincon, vice-présidente de la gestion produit).
• Activer la croissance et les insights optimisés par l’IA — suggestions de merchandising pilotées par l’IA dans Merchant Center.
• Insights pour les expériences d’achat optimisées par l’IA (bientôt disponibles) — reporting prospectif des surfaces IA dans Merchant Center.
• À propos du paiement basé sur UCP et guide développeur du Universal Commerce Protocol (FAQ) — mécanique de la couche de paiement ; l’article frère sur UCP la traite en détail.

OpenAI

• Acheter dans ChatGPT : Instant Checkout et Agentic Commerce Protocol — présentation du commerce ChatGPT ; l’article frère ACP couvre le protocole.
• Shopping avec ChatGPT Search — sélection des produits organiques par ChatGPT, et non des publicités.
• Spécification du flux produit commercial d’OpenAI — schémas Stable et Draft, champs obligatoires et indicateurs d’éligibilité recherche/paiement/publicités.
• Présentation du dépôt de fichiers commerciaux d’OpenAI — modèle de soumission SFTP : instantané quotidien, noms de fichiers stables, formats pris en charge et gestion des suppressions.
• Présentation de la recherche d’achat dans ChatGPT — contexte de la fonctionnalité plus récente de recherche d’achat.

Microsoft

• Présentation du Copilot Merchant Program — programme d’achat destiné aux marchands.

Perplexity

• Shop like a Pro — fonctionnalités d’achat et programme marchand de Perplexity (organique, sans paiement pour le placement).

Citations tirées des sources

Déclarations publiques. Les liens profonds renvoient au passage cité sur la page source lorsque l’ancre a été vérifiée.

Google — Shopping Graph et AI Mode (Lilian Rincon, vice-présidente de la gestion produit)

• « Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment. » (traduction) « Notre nouvelle expérience AI Mode est conçue pour chaque étape de l’achat, de la recherche d’inspiration à l’achat au bon moment. » Voir la citation
• « The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability. » (traduction) « Le Shopping Graph compte désormais plus de 50 milliards de fiches produit, de détaillants mondiaux aux petits commerces locaux, chacune comprenant des détails comme les avis, les prix, les couleurs et la disponibilité. » Voir la citation
• « Every hour more than 2 billion of those product listings are refreshed on Google. » (traduction) « Plus de 2 milliards de ces fiches produit sont actualisées chaque heure sur Google. » Voir la citation
• « AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options. » (traduction) « AI Mode commencera une expansion de requête : il lancera plusieurs recherches simultanées pour déterminer ce qui rend un sac adapté à la pluie et aux longs trajets, puis utilisera ces critères pour suggérer des options imperméables. » Voir la citation

Google — outils IA de Merchant Center

• « Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business. » (traduction) « Google Merchant Center utilise l’IA pour analyser vos produits uniques et vos données de performance et découvrir des possibilités pour votre activité. » Voir la citation
• « It will present these as simple suggestions you can easily action, and you’ll always remain in full control to review, adjust, or approve any changes. » (traduction) « Ces possibilités vous seront présentées sous forme de suggestions simples à appliquer, et vous garderez toujours le contrôle total pour examiner, modifier ou approuver les changements. » Voir la citation

Microsoft — Copilot Merchant Program (déclaration attribuée à l’équipe Copilot)

• « With Copilot, customers have a personal shopper at their service, helping guide them towards the right items and best deals. » (traduction) « Avec Copilot, les clients disposent d’un personal shopper qui les aide à trouver les bons articles et les meilleures offres. » Voir la citation
• « Once you’re in the Copilot Merchant Program you can also share key product specifications with us, ensuring we have up-to-date details on all your items. » (traduction) « Une fois dans le Copilot Merchant Program, vous pouvez aussi nous transmettre les principales spécifications produit afin que nous disposions de détails à jour sur tous vos articles. » Voir la citation

Conseils du secteur

• Jeff Oxford de Visibility Labs écrit que les assistants IA ont besoin de spécifications clairement formulées pour comprendre les produits et les faire correspondre aux besoins des clients. Lire son scorecard en six points sur les pages produit.
• John Morabito de Stella Rising recommande de traiter le flux comme un actif marketing stratégique, et non comme une simple exigence technique. Lire son guide sur les achats ChatGPT.
• Le guide du commerce agentique de Search Engine Journal renvoie aux déclarations originales de Kevin Miller de Stripe et Vanessa Lee de Shopify.

Quel problème d’achat avec l’IA cherchez-vous à résoudre ?

Utilisez cet arbre pour décider où consacrer votre prochain bloc d’effort. La plupart des équipes passent directement à « intégrer un protocole », alors que la réponse est presque toujours « corriger le flux d’abord ».

Checklist d’optimisation des achats avec l’IA

Travaillez de haut en bas : l’ordre suit approximativement l’effet de levier.

Qualité des données du flux (à faire en premier — aucun protocole nécessaire)

• Chaque produit possède un identifiant unique — GTIN et/ou MPN — ainsi qu’une marque.
• Les titres et descriptions sont complets et précis (spécifications, matériaux, dimensions), sans bourrage de mots-clés.
• Le prix et la disponibilité sont exacts et actualisés fréquemment : un stock ou un prix périmé est un signal disqualifiant.
• Toutes les variantes (taille, couleur) sont représentées comme des articles distincts avec les attributs corrects.
• Images haute résolution, angles multiples et image correcte pour chaque variante.
• Avis présents et en progression (environ 150+ constitue un repère de travail utile pour envisager la visibilité dans les systèmes d’IA).
• Le texte produit répond en langage simple à « pour qui est-il destiné et quel problème résout-il ? ».

Couverture des surfaces

• Le flux Google Merchant Center est prioritaire (le Shopping Graph alimente AI Mode et Gemini, et recoupe le carrousel organique de ChatGPT).
• Le ChatGPT Product Feed est envoyé directement (sans compter uniquement sur un agrégateur tiers).
• Le flux Microsoft Merchant Center est envoyé pour Copilot Shopping.
• Le catalogue ou programme marchand Perplexity est configuré.

Paiement (opt-in — uniquement après avoir solidifié la découverte)

• Décidez si le paiement dans la conversation en vaut la peine ; si oui, ACP pour ChatGPT et/ou UCP pour Google/Gemini (voir les articles concernés).

Mesure

• Acceptez que de nombreuses commandes IA ne produisent aucune page vue ; ne jugez pas le canal sur les seules sessions GA4.
• Surveillez AI Performance Insights et les attributs conversationnels de Merchant Center à mesure de leur déploiement.
• Rapprochez les commandes issues de l’IA au niveau de la commande comme solution provisoire.

Les modèles mentaux

1. Les données complètent la page, elles ne la remplacent pas. Le flux lisible par machine devient une surface d’optimisation de premier ordre aux côtés de la page destinée aux humains ; le poids accordé à l’une ou l’autre dépend du fournisseur. Lorsqu’un produit n’est pas recommandé, auditez le flux avant de conclure que le texte de la page est en cause ; n’en déduisez pas pour autant que la page est sans importance.

2. Découverte ≠ paiement. Être recommandé dépend du flux et de la qualité des données, sans dépendre d’un protocole. Être acheté dans la conversation est une couche séparée, activée volontairement (ACP/UCP/Copilot Checkout). Ne laissez pas un fournisseur ou un article mélanger les deux : corrigez les données d’abord, puis ajoutez le paiement lorsque le gain transactionnel justifie l’investissement.

3. Un excellent flux, puis un mapping vers l’extérieur. Un flux ne permet pas automatiquement de gagner cinq moteurs — chaque surface a son propre schéma —, mais les données sous-jacentes se recoupent fortement (et le carrousel organique de ChatGPT suit le classement organique de Google Shopping) : un flux Merchant Center réellement excellent représente 80% du travail restant.

4. Les attributs sont la surface de classement. L’expansion de requête et la mise en correspondance conversationnelle évaluent les attributs, pas la densité de mots-clés. La complétude et l’exactitude des champs structurés sont le levier ; le « SEO copywriting » ne l’est pas.

5. La fraîcheur disqualifie, ce n’est pas un simple bonus. Les agents traitent des transactions avec des données en direct. Un prix erroné ou un indicateur « en stock » périmé ne gêne pas seulement l’utilisateur : il peut vous faire sortir entièrement de l’ensemble des recommandations.

6. Sessions → visibilité du flux + rapprochement des commandes. Le modèle de mesure s’inverse : sans page vue, le reporting de visibilité du flux devient l’indicateur avancé et le rapprochement au niveau de la commande sert de filet de sécurité.

Erreurs courantes (et quoi faire à la place)

« Mon SEO existant couvre déjà ce sujet. » Pourquoi c’est faux : le SEO on-page classique (titres, liens entrants, profondeur du contenu) reste important pour les surfaces qui explorent le HTML, mais la surface principale des agents d’achat IA est le flux produit structuré, que la plupart des programmes SEO ne possèdent ni n’auditent. Une excellente page associée à un flux défectueux peut rester invisible pour les agents d’achat. À faire à la place : auditez le flux et prenez-en la responsabilité comme d’un actif de premier ordre, séparément du travail SEO de la page.

« J’ai besoin d’ACP ou d’UCP pour apparaître dans ChatGPT ou Google AI Mode. » Pourquoi c’est faux : la découvrabilité organique dépend largement de la qualité des données du flux et des attributs, indépendamment des protocoles de paiement. L’intégration du paiement est additive, pas une condition préalable à la visibilité. À faire à la place : corrigez les données du flux pour être recommandé ; ajoutez ACP/UCP plus tard, uniquement pour le paiement dans la conversation. (Les déploiements des protocoles commerciaux évoluent vite : confirmez les documents OpenAI/Google actuels en cas de doute.)

« Les résultats d’achat IA s’achètent comme des annonces payantes. » Pourquoi c’est faux : OpenAI indique que ses sélections d’achat ne sont pas des publicités et ne sont pas reclassées selon le prix, la livraison ou les retours dans le classement de base ; Perplexity affirme que les résultats de son programme marchand sont organiques et ne sont pas pay-to-play. À faire à la place : faites la différence sur la qualité des données et les avis. Nuance importante : des placements payants (par exemple des annonces Shopping dans les surfaces IA de Google) peuvent coexister avec les recommandations organiques sur la même surface ; « recommandation organique » et « placement payant » ne s’excluent pas, mais l’achat d’un placement ne permet pas d’acheter la sélection organique.

« C’est encore théorique / le volume est faible — inutile d’en faire une priorité. » Pourquoi c’est faux : des signaux indépendants (l’échelle de rafraîchissement de Google, 2B-listings/hour, l’étude Peec AI sur le chevauchement des carrousels, le trafic et la croissance des commandes attribués à l’IA) indiquent un volume réel et en forte progression. L’idée « encore théorique » est dépassée. À faire à la place : commencez maintenant le travail sur le flux ; il se cumule et reste peu risqué même si votre mix de trafic évolue lentement.

« Un seul flux produit fonctionne partout. » Pourquoi c’est faux : chaque surface (Google Merchant Center, ChatGPT Product Feed, Microsoft Merchant Center, catalogue Perplexity) possède son propre schéma et son propre mécanisme de soumission, même si les données sous-jacentes se recoupent. À faire à la place : construisez un excellent jeu de données canonique, puis mappez-le et envoyez-le à chaque surface ; considérez cela comme du mapping, pas comme cinq projets de contenu distincts.

Fiche pratique d’optimisation des achats avec l’IA

Travaillez dans cet ordre

1. Données produit canoniques : identifiants stables, GTIN/MPN, marque, variantes, spécifications.
2. Vérité transactionnelle : le prix et la disponibilité correspondent au backend en direct.
3. Données de présentation : titres et descriptions exacts, images de variantes de qualité, avis authentiques.
4. Mapping des surfaces : envoyez les données canoniques à Google, OpenAI, Microsoft et Perplexity dans le format requis par chaque surface.
5. Paiement : ajoutez ACP ou UCP uniquement lorsque l’achat dans l’agent justifie l’investissement.
6. Mesure : rapprochez la visibilité du flux et les commandes, pas seulement les sessions.

Découverte ou paiement

Carte des surfaces

Un jeu de données canonique excellent réduit le travail de mapping, mais chaque surface conserve son propre schéma et son propre circuit d’intégration.

Mesures de l’optimisation des achats avec l’IA

Couverture produit éligible et sans erreur

• Métrique : part du catalogue vendable éligible à la découverte sans erreur active de flux ou de politique.
• Ce que cela indique : si les données produit sont assez complètes pour entrer dans l’ensemble des recommandations avant même le classement ou la conversion.
• Comment l’extraire : combinez les diagnostics Merchant Center avec les exports équivalents d’état du flux de chaque surface d’achat prise en charge.
• Repère / fourchette réaliste : utilisez l’ensemble des SKU actuellement vendables comme dénominateur interne ; examinez chaque écart inexpliqué au lieu d’emprunter un pourcentage sectoriel.
• Cadence : surveillance quotidienne et revue hebdomadaire par type d’erreur.

Parité de l’offre sélectionnée

• Métrique : part des variantes échantillonnées ou ayant fait l’objet d’une transaction pour lesquelles la PDP visible, le JSON-LD Product/Offer rendu, l’article du flux, le panier et le paiement concordent avec le backend de référence sur l’identité produit, le SKU, l’identifiant de groupe, le prix, la devise et la disponibilité.
• Ce que cela indique : si les agents peuvent suffisamment faire confiance aux données pour recommander un produit et terminer un achat.
• Comment l’extraire : rapprochez les exports des flux de surface avec les données du catalogue et du paiement au moyen de l’identifiant produit et de la variante stables ; séparez la révalidation expliquée par la localisation ou par le moment du paiement des substitutions silencieuses et des données périmées.
• Repère / fourchette réaliste : les écarts doivent être traités comme des défauts ; établissez une base par source et donnez la priorité aux produits éligibles au paiement.
• Cadence : en continu pour les champs qui évoluent rapidement, avec synthèse quotidienne.

Utilisez le contrat de l’offre sélectionnée du SEO des variantes produit complet pour définir la population de test et la stratégie d’URL parent-versus-variante.

Commandes et revenus attribués à un agent

• Métrique : commandes, revenus et taux de finalisation liés à une surface ou à un protocole d’agent au niveau de la commande.
• Ce que cela indique : si la visibilité du flux produit des résultats commerciaux même lorsqu’il n’existe aucune page vue ni session.
• Comment l’extraire : conservez les métadonnées de provenance, de protocole ou d’agent dans la session de paiement et rapprochez-les dans l’OMS ; utilisez des UTM lorsque les flux de redirection les exposent.
• Repère / fourchette réaliste : comparez avec l’historique propre au canal et au mix produit ; les surfaces récentes ne permettent pas de fixer une cible universelle.
• Cadence : revue opérationnelle hebdomadaire et reporting métier mensuel.

Testez-vous : optimisation des achats avec l’IA

Cinq questions rapides sur l’optimisation pour les surfaces d’achat IA. Choisissez une réponse pour chaque question, puis vérifiez vos choix.

Des ressources qui valent votre temps

Mes articles associés

Je n’ai pas encore publié d’article consacré aux achats avec l’IA — le sujet est récent —, mais quelques études Ahrefs nourrissent cette position. Pour comprendre pourquoi « IA » et « bien classé » ne signifient pas la même chose, consultez Google estime qu’AI Mode est bon pour les utilisateurs, mais que le contenu n’est pas assez bon pour être classé ; pour garder les attentes concernant le trafic IA ancrées dans les données, consultez ChatGPT représente 12% du volume de recherche de Google, mais Google envoie 190x plus de trafic aux sites. Et comme l’état exact des stocks est désormais littéralement un champ du flux lu par les agents, mon ancien article e-commerce Comment gérer les produits en rupture de stock ? Cela dépend est plus pertinent qu’à sa publication.

Mes présentations

• Comment fonctionne la recherche (SlideShare) — le parcours exploration/rendu/indexation/classement qui ancre l’idée que les surfaces lisent des données et non des pages. (Ma clause de non-responsabilité habituelle s’applique : il s’agit de ma compréhension de ces systèmes, qui n’est pas garantie complète ou exacte à 100%.)

Dans le secteur

• Shopping sur Google : mises à jour d’AI Mode et de l’essayage virtuel (Google) — échelle du Shopping Graph, cadence d’actualisation et expansion de requête.
• Scorecard en 6 points pour les pages produit prêtes pour l’IA (Search Engine Land / Jeff Oxford) — la checklist spécifications-USP-cas d’usage-FAQ-avis-données structurées et le repère d’environ 150 avis.
• Pourquoi les flux produit ont besoin d’une stratégie organique pour la recherche IA (Search Engine Land) — l’étude Peec AI qui relie le classement organique de Google Shopping à l’inclusion dans le carrousel de ChatGPT.
• Optimiser les achats dans ChatGPT : comment les flux produit alimentent le GEO (Search Engine Land / John Morabito) — le cadrage du flux comme actif marketing stratégique.
• Comment la découverte d’achat pilotée par l’IA change l’optimisation des pages produit (Search Engine Land) — les pages produit comme documents de connaissance.
• Vendre à l’IA : le guide complet du commerce agentique (Search Engine Journal) — citations de dirigeants et statistiques de croissance des canaux.
• Google lance AI Performance Insights et les attributs conversationnels dans Merchant Center (Search Engine Land) — la couche de mesure émergente.
• Acheter avec ChatGPT Search (OpenAI) — la façon dont ChatGPT sélectionne les produits recommandés organiquement.

Statistiques à citer

• 50 billion+ fiches produit, dont 2 billion+ actualisées chaque heure dans le Shopping Graph de Google — les chiffres fournis par Google pour le catalogue derrière AI Mode et Gemini. Source
• Jusqu’à ~83% de recoupement entre les produits du carrousel d’achat de ChatGPT et les résultats organiques de Google Shopping (étude Peec AI portant sur 43 000+ fiches, avec environ ~60% des correspondances issues des positions 1–10 de Google Shopping), selon Search Engine Land — l’argument pour traiter l’hygiène Merchant Center comme un levier intersurfaces. Couverture À revérifier à partir de l’étude primaire Peec AI.
• ~14% des requêtes d’achat affichent désormais des AI Overviews, contre environ ~2% fin 2024, selon la même analyse de Search Engine Land. Couverture À revérifier à partir des données primaires.
• ~156 avis médians sur 1 000 prompts e-commerce, avec ~150+ comme repère pratique de visibilité IA (Jeff Oxford, Visibility Labs, via Search Engine Land). Source
• Homogénéité des choix — une étude de simulation Columbia/Yale de 2025 rapporte que les agents d’achat IA concentrent la demande sur moins de produits que la navigation humaine, ce qui alimente une dynamique « AI-SEO » où le gagnant rafle davantage de demande (via Search Engine Journal). Vérifiez le nom de l’étude et les institutions auprès de la source primaire. Couverture

Journal des modifications