Fiches produit et IA : pourquoi votre catalogue est illisible
Vos fiches produit sont des machines à conversion et à ranking Google. Elles sont souvent illisibles pour les LLM. Les dix critères qui changent ça.
Une fiche produit, ça a été conçu pour deux lecteurs : le consommateur humain et le robot Google.
Le consommateur humain lit la photo, le prix, les avis, le nom. Le robot Google indexe le titre, la meta, les données structurées Schema.org. Trente ans d'e-commerce ont affiné cette alchimie. Les fiches produit des grands e-commerçants sont des machines à conversion et à ranking.
Elles sont souvent illisibles pour les LLM.
Ce que les LLM lisent — et ce qu'ils ignorent
Les modèles de langage traitent du texte. Pas du JavaScript. Pas des carrousels d'images. Pas des onglets en lazy loading. Pas des descriptions cachées derrière un "lire la suite" qui nécessite un clic.
La structure typique d'une fiche produit e-commerce, c'est : un titre H1, quelques bullet points de caractéristiques, un bloc de description condensée, des visuels, un prix, une zone d'avis clients. Pour un LLM qui scanne la page, le signal utile est souvent noyé dans du bruit HTML.
La conséquence directe : quand un utilisateur demande à ChatGPT ou Perplexity "quel est le meilleur [produit] pour [usage]", le modèle mobilise des sources qui parlent de ces produits de façon dense et structurée — des comparatifs, des avis experts, des guides d'achat. Rarement la fiche produit officielle du marchand.
L'e-commerçant perd la recommandation. Parfois au profit d'un comparateur ou d'un media qui parle de son produit mieux que lui.
Les dix critères qui font une fiche produit lisible pour une IA
Ce n'est pas mystérieux. Mais ça demande un audit honnête.
1. Titre descriptif et précis. Le titre doit contenir les attributs clés (marque, modèle, caractéristique principale, usage cible). Un titre vague comme "Chaussure sport homme" est inutilisable pour un LLM qui cherche à répondre à "quelle chaussure de running pour trail débutant sous 100 euros".
2. Description en prose structurée. Les bullet points de caractéristiques techniques ne suffisent pas. Une description rédigée qui explique à qui le produit convient, dans quel contexte, et pourquoi — c'est ce que le LLM peut reformuler dans une réponse.
3. Cas d'usage explicites. "Idéal pour..." n'est pas un cas d'usage. "Conçu pour les randonnées de 2 à 5 jours en montagne, avec un poids inférieur à 15 kg de charge" est un cas d'usage que le LLM peut mobiliser.
4. Comparaisons assumées. Les fiches produit évitent soigneusement de se comparer à la concurrence. Les LLM, eux, adorent les comparaisons. Une fiche qui positionne clairement le produit par rapport aux alternatives (sans dénigrement) donne aux modèles la matière pour répondre aux questions comparatives.
5. Données mesurables. Poids, dimensions, autonomie, rendement, capacité, durée de garantie. Les LLM mobilisent les données chiffrées dans les requêtes comparatives. Une description qualitative seule laisse le modèle chercher ces données ailleurs — souvent chez un concurrent.
6. Entités nommées correctement. Marque, technologie, matière, certification, partenaire — ces entités doivent être nommées explicitement dans le texte, pas seulement dans les métadonnées.
7. Format accessible sans exécution JavaScript. Si la description principale est chargée en JS, le LLM crawler ne la voit pas. Tester la lisibilité d'une fiche produit avec un crawler text-only révèle souvent des surprises.
8. Absence de contenu dupliqué générique. Les descriptions copiées du fournisseur ou générées en masse sans différenciation sont détectées comme bruit. Le LLM préfère une source avec un angle propre.
9. Avis intégrés et accessibles. Les avis clients contiennent souvent les formulations les plus utiles pour un LLM ("parfait pour les grandes tailles", "tient bien en descente", "idéal pour débuter"). S'ils sont chargés dynamiquement et invisibles au crawler, c'est du signal perdu.
10. Lien vers des contenus contextuels. Une fiche produit isolée est un signal faible. Une fiche produit liée à un guide d'achat, un comparatif, un article de blog — c'est un nœud dans un réseau de contenu que les LLM valorisent davantage.
Le cas particulier du catalogue e-commerce
Le problème des e-commerçants avec les LLM n'est pas juste une fiche produit mal structurée. C'est l'échelle.
Un catalogue de 5 000 références, c'est 5 000 fiches produit à réévaluer à l'aune des LLM. L'approche manuelle est impossible. La réécriture générique par IA, sans calibrage sur les standards de lisibilité LLM, produit des textes qui ressemblent à du contenu lisible pour un humain mais restent mal structurés pour les moteurs génératifs.
C'est précisément ce que Vurto adresse pour les e-commerçants : une réécriture du catalogue à la volée en format markdown, structuré selon les critères de lisibilité LLM, avec une analyse de chaque fiche produit sur dix dimensions avant et après réécriture. Le résultat n'est pas une version générique des fiches — c'est une version calibrée pour que les LLM puissent la traiter, la comprendre et la recommander.
Ce que ça change sur les ventes
Difficile de mesurer directement l'impact d'une fiche produit LLM-ready sur le chiffre d'affaires, parce que le trafic depuis les IA est encore partiellement opaque. Mais les signaux sont là.
Les références directes depuis ChatGPT et Perplexity sont maintenant trackables via les UTM et les référents. Les marques qui observent ce trafic voient qu'il convertit bien — l'utilisateur arrive avec une intention qualifiée, pas juste une curiosité. Il a déjà reçu une recommandation de l'IA avant d'arriver sur la fiche.
Être la référence citée dans cette recommandation, c'est capter un trafic à haute intention que les outils publicitaires classiques ne touchent pas.
Le test en cinq minutes
Ouvrez ChatGPT. Posez cette question : "[nom de votre produit phare] : est-ce qu'il convient pour [cas d'usage principal de vos clients] ?"
Observez la réponse. Si le modèle cite votre fiche produit ou votre domaine — parfait. S'il cite un comparatif externe, un article de presse, ou pire, un concurrent — vous savez ce qu'il vous reste à traiter.
Vurto analyse les fiches produit selon dix critères de lisibilité IA et les réécrit en markdown structuré pour maximiser la visibilité dans les réponses des LLM.