- Les expériences d’achat IA de Google s’appuient fortement sur les données produit fournies dans Merchant Center et sur le site.
- Les données structurées Product et le flux Merchant Center sont complémentaires et augmentent l’éligibilité aux expériences Shopping.
- Les requêtes commerciales et de comparaison deviennent plus conversationnelles et peuvent être traitées avant que l’utilisateur ne saisisse un nom de produit précis.
- Un catalogue incomplet ou incohérent peut limiter la capacité de Google à comprendre et présenter correctement les produits.
- La performance doit être mesurée sur tout le funnel, de la découverte jusqu’à la conversion, et pas seulement avec le trafic organique classique.
À retenir
Une agence AI Overview doit donc travailler simultanément la qualité du catalogue, les pages produit, Merchant Center, les données structurées, les contenus de comparaison et la mesure. Google explique en 2026 que ses expériences d’achat conversationnelles s’appuient directement sur les données produit fournies par les marchands, ce qui rend la complétude et la fraîcheur du flux beaucoup plus stratégiques.
Comment AI Overview change-t-il le parcours e-commerce ?
AI Overview peut intervenir très tôt dans le parcours d’achat, lorsque l’utilisateur cherche encore à comprendre son besoin, comparer des catégories ou identifier des critères de choix. Une requête comme « quel ordinateur portable léger pour montage vidéo à moins de 1 500 euros » mélange budget, usage, caractéristiques techniques et intention transactionnelle.
Google peut alors synthétiser plusieurs sources, proposer des éléments de comparaison et afficher des produits ou liens marchands selon le contexte. AI Mode va encore plus loin avec des recherches simultanées sur plusieurs sous-thèmes et des données Shopping issues de milliards de produits.
Le parcours devient donc moins linéaire. L’utilisateur peut passer d’une question générale à une comparaison détaillée, puis à un produit précis sans effectuer autant de recherches séparées qu’avant.
Pour un marchand, cela crée trois niveaux de visibilité :
- être compris comme marque ou vendeur pertinent ;
- faire remonter ses catégories et contenus éditoriaux dans les réponses d’exploration ;
- faire apparaître ses produits avec des informations exactes lorsque Google cherche à répondre à une intention d’achat.
Quelles données Google utilise-t-il pour comprendre un produit ?
Google combine plusieurs sources selon les expériences disponibles. Les plus importantes sont le contenu visible de la page produit, les données structurées Product, les flux Merchant Center et les informations issues du crawl.
Google Search Central recommande explicitement de fournir à la fois les données structurées sur la page et un flux Merchant Center lorsque c’est possible. Les deux canaux se complètent et maximisent l’éligibilité aux expériences produit.
Les attributs les plus structurants incluent notamment :
- nom et titre du produit ;
- marque ;
- identifiants comme GTIN ou MPN lorsque disponibles ;
- prix ;
- devise ;
- disponibilité ;
- état ;
- images ;
- variantes ;
- taille, couleur, matière ou caractéristiques spécifiques ;
- notes et avis lorsqu’ils respectent les règles ;
- frais et délais de livraison ;
- politique de retour.
La qualité des données n’est donc pas un sujet secondaire. Google rappelait encore en avril 2026 qu’un flux Merchant Center incomplet ou désordonné réduit la capacité des expériences Shopping IA à retrouver les produits adaptés aux demandes conversationnelles.
Quel rôle joue Merchant Center dans les expériences IA ?
Merchant Center devient une couche centrale de la visibilité produit dans les expériences conversationnelles de Google. En mai 2026, Google a annoncé de nouveaux rapports destinés à mesurer comment les produits et les marques sont découverts dans AI Mode, AI Overviews et Gemini.
Ces rapports prévoient notamment :
- une part de voix par rapport à des marques comparables ;
- une lecture du funnel découverte, évaluation et achat ;
- des insights sur les termes produit recherchés ;
- des insights sur les attributs produits demandés ;
- un score de complétude permettant d’identifier les caractéristiques manquantes.
Le déploiement initial de ces insights a été annoncé pour les États-Unis, le Canada, l’Australie, l’Inde et la Nouvelle-Zélande. Il ne faut donc pas présenter ces rapports comme disponibles pour tous les comptes français à ce stade.
Quelles optimisations e-commerce ont le plus de valeur ?
Levier | Action prioritaire | Objectif | Erreur fréquente |
Page produit | URL stable, indexable et correctement canonisée | Éligibilité au crawl et à l’indexation | Page dupliquée ou canonical mal choisie |
Merchant Center | Compléter attributs, identifiants, prix, stock et livraison | Données Shopping riches et actualisées | Prix ou stock différent du site |
Données structurées | Product / Merchant listing conforme au contenu visible | Compréhension de prix, disponibilité et variantes | Balisage absent ou incohérent avec la page |
Contenu produit | Ajouter usages, limites, compatibilités et preuves | Information gain et réponse aux objections | Descriptions fabricants dupliquées |
Images | Photos produit nettes, multiples ratios, contexte d’usage | Compréhension visuelle et confiance | Image générique ou incohérente |
Mesure | Croiser visibilité et impact business | Analytics + Search Console + Merchant Center | Suivi du revenu et des conversions |
La logique générale est simple : plus les données sont exactes, cohérentes et riches, plus Google dispose d’éléments fiables pour comprendre le produit et l’associer à une intention complexe.
Faut-il utiliser les données structurées Product ?
Oui. Les données structurées Product permettent à Google de comprendre des informations de produit directement sur la page. Elles peuvent rendre la page éligible à des résultats enrichis dans Search, Google Images et Google Lens.
Pour une page où l’utilisateur peut acheter le produit, le balisage Merchant listing est généralement le plus pertinent. Il permet de préciser davantage d’éléments comme les tailles, la livraison, les retours ou certaines variantes.
Pour une page éditoriale qui évalue un produit sans le vendre directement, Product snippet peut être plus adapté, notamment pour les avis et les avantages ou inconvénients.
Les données structurées et AI Overview ne doivent cependant pas être confondues. Aucun schema spécifique « AI Overview » n’existe. Les propriétés Product servent d’abord à décrire correctement le produit et à maximiser l’éligibilité aux expériences Search compatibles.
Merchant Center peut-il remplacer les données structurées ?
Non. Google recommande d’utiliser les deux lorsque possible.
Le flux Merchant Center permet de transmettre un catalogue complet et de gérer des attributs à grande échelle. Les données structurées permettent de faire correspondre les informations visibles sur la page avec les données comprises lors du crawl.
Lorsque les deux sources sont cohérentes, Google dispose d’un signal supplémentaire pour vérifier prix, disponibilité et caractéristiques. Lorsqu’elles divergent, des problèmes peuvent apparaître dans Merchant Center ou dans la manière dont le produit est présenté.
Le contrôle de cohérence doit donc comparer régulièrement :
- prix page versus prix flux ;
- disponibilité page versus flux ;
- variantes réellement proposées ;
- images ;
- GTIN ;
- marque ;
- titres ;
- conditions de livraison ;
- retours.
Les catégories e-commerce deviennent-elles plus importantes ?
Oui, car les requêtes conversationnelles ne pointent pas toujours vers une fiche produit unique. Une recherche peut demander une famille de produits adaptée à un cas d’usage, un budget ou plusieurs contraintes.
Une catégorie bien construite doit donc faire plus que lister des produits. Elle peut expliquer les différences entre sous-catégories, critères de choix, usages, incompatibilités et caractéristiques importantes tout en conservant un accès clair au catalogue.
Exemple : une catégorie « chaussures de randonnée » peut distinguer randonnée légère, trek, terrain humide, chaussures montantes et basses, poids, imperméabilité et type de semelle. Cette structure aide l’utilisateur et fournit davantage de contexte aux systèmes qui cherchent à répondre à une requête complexe.
Il faut cependant éviter de transformer toutes les catégories en articles de 3 000 mots. Le contenu doit soutenir la décision sans repousser inutilement les produits sous la ligne de flottaison.
Quel rôle jouent les guides d’achat et comparatifs ?
Les guides d’achat peuvent capter des intentions situées entre l’informationnel et le transactionnel. Ils sont particulièrement utiles pour les requêtes où l’utilisateur ne sait pas encore quel produit choisir.
Un bon guide d’achat :
- explique les critères réellement discriminants ;
- compare plusieurs cas d’usage ;
- indique pour qui chaque option est adaptée ;
- présente des limites ;
- renvoie vers des produits réellement disponibles ;
- met à jour prix et disponibilité lorsque ces informations sont affichées ;
- précise la méthodologie lorsque des produits sont testés ou classés.
Cette logique correspond directement au principe de contenu non générique mis en avant par Google en 2026. Un guide qui résume les fiches fabricants sans expérience, données ou analyse apporte peu de valeur additionnelle.
Comment traiter les fiches produit ?
Une fiche produit doit répondre aux questions que l’utilisateur peut se poser avant l’achat et pas uniquement afficher un titre, une image et un bouton.
Les éléments prioritaires sont :
- une description réellement spécifique ;
- les caractéristiques techniques importantes ;
- les dimensions et compatibilités ;
- les usages recommandés et les cas où le produit est moins adapté ;
- plusieurs images utiles ;
- les variantes disponibles ;
- le prix et la disponibilité à jour ;
- la livraison et les retours ;
- les avis clients lorsqu’ils sont authentiques ;
- une FAQ produit seulement si elle répond à de vraies objections.
Pour les catalogues très larges, il est préférable d’automatiser les données structurées et certains attributs, tout en évitant de générer automatiquement des centaines de descriptions interchangeables qui ne font que reformuler les mêmes caractéristiques.
Les avis produits influencent-ils AI Overview ?
Les avis peuvent enrichir les pages produit et les résultats Search lorsque le balisage respecte les règles. Ils donnent également aux utilisateurs des informations issues de l’expérience réelle.
Il ne faut toutefois pas affirmer qu’un nombre d’avis garantit une citation AI Overview. Google documente les systèmes d’avis et les données structurées, mais pas de seuil de notes permettant d’obtenir une réponse générative.
La qualité compte davantage que le volume brut. Des avis détaillés sur la taille, la durabilité, l’usage ou les limites peuvent apporter des informations utiles à la décision. Les faux avis et manipulations restent à proscrire.
Les images produit sont-elles plus importantes avec la recherche IA ?
Oui, notamment parce que la recherche devient plus multimodale et visuelle. Google recommande des images de haute qualité qui représentent réellement le produit.
Pour les merchant listings, la documentation recommande plusieurs images haute résolution et indique qu’une image devrait atteindre au moins 50 000 pixels lorsque largeur et hauteur sont multipliées. Les ratios 16:9, 4:3 et 1:1 peuvent être fournis pour couvrir plusieurs formats d’affichage.
Les images et AI Overview sont traitées dans une page dédiée, notamment pour le crawl, le texte alternatif, les sitemaps image, les graphiques et les métadonnées.
Comment gérer les variantes produits ?
Les variantes doivent permettre à Google de comprendre qu’il s’agit de versions liées d’un même produit et non de pages totalement indépendantes sans relation.
Pour les vêtements, par exemple, couleur et taille doivent être clairement exposées dans le catalogue et dans les données structurées compatibles. Pour d’autres produits, le différenciateur peut être la capacité, le matériau, la finition ou la configuration.
Une mauvaise gestion des variantes peut créer de la duplication, des canonicals incohérentes et des flux Merchant Center difficiles à maintenir. Le choix entre une URL unique avec sélection de variante et plusieurs URL dépend du catalogue, mais chaque URL indexable doit présenter une valeur et un état cohérents.
Le sujet rejoint directement l’indexation et AI Overview : une variante stratégique ne peut pas être récupérée correctement si Google canonicalise systématiquement vers une autre version ou si le contenu principal n’est pas rendu.
Quel impact sur le CTR e-commerce ?
Les études générales montrent que les AI Overviews peuvent réduire les clics organiques sur certaines requêtes, mais il serait incorrect d’appliquer automatiquement un pourcentage unique à toutes les boutiques.
En France, Ahrefs a observé après le lancement du 22 juillet 2026 une baisse médiane de CTR de 23,1 % sur les domaines très exposés aux AI Overviews, contre une hausse de 2,3 % dans le groupe témoin sur la fenêtre étudiée. Cette analyse porte sur 963 domaines et seulement neuf jours après le lancement.
Le secteur e-commerce peut réagir différemment selon le mix de requêtes. Une boutique positionnée principalement sur des noms produits très transactionnels n’aura pas la même exposition qu’un site dominant des requêtes comparatives et informationnelles.
Il faut donc mesurer l’impact SEO AI Overview par groupe de requêtes et type de page plutôt que d’appliquer une moyenne de marché au chiffre d’affaires prévisionnel.
Cas pratique : optimiser une boutique de mobilier pour les requêtes conversationnelles
Prenons une boutique vendant des bureaux ergonomiques.
Avant optimisation, le catalogue contient 120 produits avec des titres courts, peu d’attributs, des descriptions fabricants similaires et un flux Merchant Center sans matière, hauteur, charge maximale ni compatibilité avec les plateaux.
Le plan d’action peut être :
- normaliser les attributs produit dans le PIM ou CMS ;
- compléter Merchant Center avec les caractéristiques disponibles ;
- ajouter des données Product cohérentes sur chaque fiche ;
- réécrire les 20 fiches représentant la majorité du chiffre d’affaires avec cas d’usage et limites ;
- créer une catégorie éditorialisée autour du choix d’un bureau assis-debout ;
- produire un comparatif réel selon taille, poids supporté et usage ;
- ajouter des photos montrant les produits dans des configurations réelles ;
- construire un corpus de requêtes conversationnelles comme « bureau assis debout pour personne de 1m90 » ou « bureau 160 cm pour double écran » ;
- mesurer visibilité, citations, clics, ajouts au panier et ventes.
Le gain potentiel ne vient pas d’un « hack IA », mais d’un catalogue plus compréhensible et de pages qui répondent mieux aux contraintes réelles des acheteurs.
Comment mesurer la visibilité e-commerce dans AI Overview ?
Le suivi doit croiser plusieurs sources.
Dans Search Console :
- requêtes ;
- pages produit ;
- catégories ;
- impressions ;
- clics ;
- CTR ;
- positions ;
- apparences Search disponibles.
Dans Merchant Center :
- produits approuvés ou refusés ;
- problèmes d’attributs ;
- performance des fiches gratuites et Shopping ;
- insights IA lorsqu’ils deviennent disponibles sur le compte ;
- termes produit et complétude des attributs lorsque le rapport le permet.
Dans l’analytics :
- revenus organiques ;
- taux de conversion ;
- ajout au panier ;
- assistances de conversion ;
- landing pages ;
- segments nouveaux versus récurrents.
Dans un outil de suivi IA :
- présence dans AI Overview ;
- produits ou marques mentionnés ;
- pages citées ;
- concurrents ;
- part de voix ;
- volatilité par requête.
Le suivi AI Overview doit réunir ces couches dans une lecture business. Une baisse de clics n’est pas automatiquement une baisse équivalente de chiffre d’affaires si la visibilité se déplace vers des requêtes plus qualifiées, et l’inverse est également possible.
Quels KPI suivre en priorité ?
Les KPI peuvent être regroupés en quatre niveaux.
- Découverte : impressions, part de requêtes déclenchant une expérience IA, part de voix produit ou marque.
- Visibilité : mentions, citations, produits présentés, pages citées, présence concurrente.
- Engagement : clics, CTR, sessions, taux de rebond ou engagement selon l’outil analytics.
- Business : ajout au panier, conversion, revenu, marge, nouveaux clients et valeur vie client lorsque disponible.
Cette lecture évite d’optimiser une métrique intermédiaire au détriment du chiffre d’affaires.
Quelles erreurs éviter ?
Les erreurs les plus fréquentes sont :
- laisser Merchant Center incomplet ;
- afficher un prix différent entre page et flux ;
- laisser des produits en stock dans le flux alors qu’ils sont indisponibles ;
- utiliser des descriptions dupliquées de fabricants ;
- créer des centaines de pages de variantes sans logique d’indexation ;
- masquer les caractéristiques importantes dans du JavaScript inaccessible ;
- utiliser des images génériques ou trompeuses ;
- forcer des FAQ artificielles sur toutes les fiches ;
- ajouter du schema Product avec des informations invisibles ou fausses ;
- négliger les retours et la livraison ;
- suivre seulement le trafic et pas le chiffre d’affaires ;
- considérer AI Overview, AI Mode et Shopping comme une seule surface identique.
Questions fréquentes
01Merchant Center est-il obligatoire pour apparaître dans AI Overview ?
+
Non. Des pages Web peuvent être utilisées dans les expériences génératives sans Merchant Center, mais un flux marchand améliore la couverture et la qualité des données pour les expériences Shopping compatibles.
02Les données structurées Product garantissent-elles une présence dans AI Overview ?
+
Non. Elles aident Google à comprendre les informations produit et à rendre la page éligible à certaines expériences, sans garantir un affichage dans une réponse générative.
03Faut-il créer un article pour chaque produit ?
+
Non. Les contenus éditoriaux doivent répondre à une intention distincte. Les fiches, catégories, guides et comparatifs doivent avoir des rôles différents pour éviter la duplication.
04Les fiches produit courtes sont-elles mauvaises pour AI Overview ?
+
La longueur n’est pas un critère isolé. Une fiche courte peut suffire pour un produit simple si elle contient toutes les informations nécessaires, tandis qu’un produit technique peut exiger beaucoup plus de contexte.
05Peut-on suivre les ventes provenant directement d’AI Overview ?
+
L’attribution reste partielle selon les rapports disponibles. Il faut croiser Search Console, Merchant Center, analytics et outils de visibilité pour obtenir une lecture plus complète.
Sources et références
- Google Search Central - Product structured data
- Google Merchant Center - Insights for AI-powered shopping experiences
- Google - AI is changing retail
- Google - AI Mode in Search
- Google Merchant Center - Ajouter automatiquement des produits depuis votre boutique
- Google Search Central - Guide d’optimisation pour les fonctionnalités d’IA générative
Transformez cette expertise en avantage de visibilité.
Nous analysons votre marché, vos contenus, vos sources et les surfaces IA qui comptent réellement pour votre acquisition.