Tout ce qu'il faut savoir sur le commerce agentique.

Le commerce agentique désigne la nouvelle catégorie de e-commerce dans laquelle un agent IA prend en charge la découverte et la recommandation de produits à la place de l'utilisateur. ChatGPT, Gemini, Perplexity et Copilot interrogent l'intention puis restituent une sélection synthétique au lieu d'une page de résultats.

Pour les marques, l'enjeu n'est plus de ranker une SERP : il faut être extractible, complet et cohérent pour que le modèle vous choisisse comme source. Google UCP et OpenAI ACP formalisent les protocoles d'interopérabilité.

La GEO étend le SEO classique aux contraintes propres aux LLMs : extractibilité du HTML brut, profondeur sémantique, balisage Schema.org rigoureux, fraîcheur des prix et stocks.

Là où le SEO cherche un classement dans une page de résultats, la GEO cherche à être choisi comme source fiable par un modèle qui synthétise une réponse, et qui ne montrera votre marque que si elle a confiance.

SEO vise les classements dans une page de résultats Google ou Bing. La métrique : la position et le clic.

GEO étend SEO aux moteurs génératifs : ChatGPT, Gemini, AI Mode, Perplexity. La métrique : être cité dans la réponse synthétique.

LLMO se concentre encore plus précisément sur la qualité de votre contenu en tant que source : clarté sémantique, fraîcheur, profondeur des comparaisons. C'est le sous-ensemble le plus exigeant.

Quatre causes structurelles dominent. La première : un crawl bloqué (robots.txt qui interdit GPTBot ou Google-Extended, ou un WAF qui renvoie un challenge à tous les bots IA).

La deuxième : un rendu trop dépendant de JavaScript. Si le nom du produit, le prix ou le JSON-LD n'apparaissent qu'après hydratation client, les agents qui n'exécutent pas de JS ne verront rien.

La troisième : des données structurées Schema.org absentes ou incomplètes. Sans Product, Offer, AggregateRating, l'agent doit deviner ; il préférera un concurrent qui a déclaré ses faits proprement.

La quatrième : un contenu éditorial trop pauvre. Pas de cas d'usage, pas d'audience cible, pas de différenciation explicite : l'agent n'a aucune raison de vous recommander plutôt qu'un autre.

GPTBot, OAI-SearchBot et ChatGPT-User sont les trois user-agents officiels d'OpenAI. Les bloquer signifie : aucune chance d'être cité dans ChatGPT.

Pour un éditeur dont le contenu est la valeur (presse, recherche), bloquer peut faire sens. Pour un retailer dont l'objectif est de vendre, bloquer ces bots équivaut à fermer un canal d'acquisition naissant.

Notre pilier Reach & read mesure ces directives explicitement et signale les blocages risqués.

Schema.org est le langage commun que tous les agents IA lisent en priorité. Un Product valide expose name, description, brand, image, sku, GTIN, offer, AggregateRating.

Sans ce balisage, l'agent doit extraire les faits depuis le HTML, une opération coûteuse et incertaine. Avec ce balisage, vos faits sont publiés une fois, lus partout.

Notre sous-score Product Data mesure très précisément la complétude de votre Schema.org.

L'étude Peec AI sur 43 000 produits confirme que ChatGPT s'appuie massivement sur Google Shopping pour ses carrousels. Un flux GMC optimisé est donc devenu le premier actif cross-canal IA.

Mais la PDP reste la couche de validation : Schema.org Product, contenu éditorial décisionnel, FAQ, avis. L'agent croisera systématiquement le flux et la page pour vérifier la cohérence.

Une marque qui n'optimise que le flux et néglige la PDP plafonne sur les surfaces génératives.

Le Readiness Score est la note unique que nous calculons pour une page produit : 0 à 100, agrégat pondéré de trois sous-scores (20 % Reach & read, 40 % Product Data, 40 % Semantic en V1).

Reach & read regroupe l'atteignabilité (HTTP, robots, sitemap, etc.) et la lisibilité sans dépendre du JavaScript (HTML brut vs rendu). Product Data mesure la complétude des champs Schema.org. Semantic Decisioning mesure la profondeur éditoriale décisionnelle.

Le score ne reflète pas la visibilité réelle dans les LLMs (qui n'est pas mesurable de manière déterministe), mais la readiness, autrement dit la capacité de la page à être comprise et recommandée.

GPTBot crawle plus fréquemment les sites à forte autorité, à fort trafic et à contenu rafraîchi régulièrement.

Pour un nouveau site ou une nouvelle PDP, comptez quelques jours minimum, parfois plusieurs semaines avant la première citation. Avoir un flux GMC actif accélère le process puisque ChatGPT puise massivement dans Google Shopping.

Aucun outil ne permet à ce jour de mesurer de manière fiable la visibilité produit dans ChatGPT, c'est pourquoi notre score se concentre sur la readiness, un proxy défendable.

Première approche : interroger ChatGPT et Gemini avec un panel de prompts représentatifs et compter les citations. Coûteux et instable, car les modèles évoluent.

Deuxième approche : monitorer les citations via des outils émergents (Peec AI, Profound, etc.). Données partielles et soumises à variabilité.

Troisième approche, la nôtre : mesurer la readiness, c'est-à-dire la capacité technique et éditoriale de la page à être comprise. C'est un proxy défendable, déterministe et reproductible.

llms.txt est un standard émergent inspiré de robots.txt : un fichier markdown à la racine qui décrit les contenus prioritaires d'un site (catalogue produit, FAQ, guides).

Aucun moteur génératif ne l'exige aujourd'hui, mais sa présence indique que la marque a réfléchi à son indexation par les LLMs. C'est pourquoi notre score le compte comme bonus à faible poids.