Un texte, deux moteurs : pourquoi la fiche produit décide à la fois de ChatGPT et de votre barre de recherche
On parle beaucoup de la manière de se faire recommander par ChatGPT et les AI Overviews, et presque pas de ce qui se passe ensuite, à l'intérieur de la boutique. Pourtant, les deux problèmes ont la même origine : le texte des fiches produit.
Ces derniers mois, la presse spécialisée s'est remplie de guides pour se faire citer par les intelligences artificielles : études sur des millions de réponses, nouvelles métriques comme la « visibilité IA », outils pour compter combien de fois ChatGPT nomme une marque. Presque toutes s'arrêtent au même endroit : le moment où l'IA prononce le nom de la boutique.
Mais pour un site e-commerce, ce n'est que le début. Après la recommandation, le client, ou l'agent qui le représente, entre dans la boutique et cherche le produit. C'est là qu'intervient un second moteur, la recherche interne, que d'habitude personne ne regarde.
La thèse de cet article est simple : les deux moteurs lisent le même texte. Et quand ce texte est mal écrit, la boutique perd deux fois.
Ce que l'IA lit d'un site e-commerce
Une analyse de Trendos portant sur 107 millions de réponses générées par l'IA a comparé l'origine des citations dans trois secteurs. Dans les biens de consommation, le tableau est différent de tous les autres : la moitié des sources vient de communautés comme Reddit et YouTube, et presque tout le reste de pages commerciales, c'est-à-dire de fiches produit, de sites de vendeurs et de marketplaces. Les médias indépendants comptent très peu.
Autrement dit, quand une IA répond à une question sur un produit, elle lit en grande partie des fiches produit. Le conseil qui en découle est de traiter ces pages comme des réponses : dimensions, matériaux, compatibilités et usages écrits explicitement, et non laissés à deviner d'après une photo.
S'y ajoute une donnée d'Ahrefs : la grande majorité des citations de ChatGPT provient de l'index de recherche classique. Les pages que l'IA utilise sont celles qu'un moteur parvient à comprendre et à positionner. Et un moteur, avant tout, lit le texte.
Ce que lit la recherche interne
La recherche interne d'une boutique fonctionne de la même façon : elle compare les mots de la requête avec ceux du catalogue. Si elle ne les trouve pas, elle ne renvoie rien, ou renvoie de mauvais produits.
Nous mesurons chaque jour comment répondent les recherches internes de milliers de sites e-commerce italiens. Face à des requêtes formulées comme les écrirait une personne, la plupart des boutiques donnent une réponse pertinente moins de quatre fois sur dix. La cause principale n'est pas le moteur de recherche, c'est le catalogue : dans 24 % des cas, le nom d'un produit ne contient aucun des mots avec lesquels la boutique elle-même décrit ses catégories.
C'est le même problème que nous avons décrit à propos des agents IA dans l'e-commerce : un agent transmet à la recherche la demande du client telle quelle, et travaille avec ce qu'il reçoit.
Un même défaut, deux conséquences
Prenons une fiche intitulée « XK-2205 noir », avec une photo et un prix. Un client qui la voit comprend tout de suite qu'il s'agit d'une gourde isotherme. Mais ni l'IA ni la recherche interne ne regardent la photo : elles lisent le texte, et dans le texte le mot « gourde » n'apparaît pas.
Les conséquences sont doubles, à deux moments différents.
Hors de la boutique, quand quelqu'un demande à un assistant IA une gourde étanche à emporter au bureau, cette fiche a peu de chances de devenir une source ou une recommandation : elle ne répond à aucune question qu'un client poserait.
Dans la boutique, même si le client arrive malgré tout, depuis Google ou une publicité, et tape « gourde isotherme » dans la barre de recherche, le produit n'apparaît pas. Pour lui, et pour l'agent qui cherche à sa place, il n'existe pas.
Deux moteurs différents, un seul défaut : un catalogue écrit avec des codes et des noms internes au lieu des mots de ceux qui achètent.
Une intervention, deux résultats
La bonne nouvelle, c'est que si le défaut est unique, l'intervention l'est aussi. Il n'est pas nécessaire d'avoir une stratégie pour les IA externes et une autre pour la recherche interne : il faut un catalogue écrit dans la langue du client.
Concrètement, cela veut dire donner à chaque produit un nom qui dit ce qu'il est, avec le mot de la catégorie à côté du code ou du nom commercial. Cela veut dire écrire dans le texte, et ne pas laisser aux seules images, les attributs qui comptent : dimensions, matériaux, compatibilités, usages. Et cela veut dire utiliser les mots des clients, y compris les termes courants et les synonymes, pas seulement le vocabulaire technique du fournisseur.
Il ne s'agit pas de bourrer les fiches de mots-clés. Il s'agit d'écrire ce qu'un vendeur dirait de vive voix à quelqu'un qui entre dans le magasin.
Une différence existe toutefois, et elle compte. L'effet sur les IA externes dépend aussi de facteurs que la boutique ne contrôle pas, comme les avis, les mentions sur d'autres sites et le positionnement sur Google. L'effet sur la recherche interne, en revanche, se mesure tout de suite : mêmes requêtes avant et après, et l'on voit si la boutique a commencé à répondre.
Par où commencer
La première étape consiste à savoir quelle est l'ampleur du problème sur sa propre boutique. On peut commencer seul : dix requêtes écrites comme les écrirait un client, et le compte de celles qui trouvent le bon produit. On peut aussi voir où se situe son site dans le classement des sites e-commerce italiens.
Pour une vue complète, avec des requêtes construites sur le vocabulaire du catalogue et une comparaison avec le marché, il y a l'audit de la recherche interne. C'est de là que l'on comprend quelles fiches réécrire en premier.
On parle beaucoup de la façon de se faire recommander par l'IA. Mais la recommandation amène le client jusqu'à la porte. Qu'il trouve ce qu'il cherche dépend de la manière dont le catalogue est écrit, et ce texte travaille pour les deux moteurs.