GEO et e-commerce : le catalogue comme levier de visibilité IA
Les e-commerçants ont déjà la matière que les LLM adorent — mais dans le mauvais format. Le catalogue comme levier de visibilité IA.
Les e-commerçants ont un avantage GEO que personne ne leur dit.
Ils ont déjà les contenus. Des milliers de fiches produit avec des descriptions, des caractéristiques, des cas d'usage. De la matière informationnelle que les LLM adorent mobiliser pour répondre aux questions d'achat de leurs utilisateurs.
Le problème : cette matière est dans le mauvais format. Elle est construite pour Google et pour la conversion humaine, pas pour les LLM. Et le fossé entre les deux est plus grand qu'on ne le pense.
Ce que les LLM font des requêtes d'achat
"Quel aspirateur pour une maison de 100 m² avec un chien ?" "Quels écouteurs pour le sport sous 80 euros ?" "Meilleur matelas pour dormir sur le côté ?"
Ces requêtes arrivent en masse dans ChatGPT, Perplexity et Gemini. Les utilisateurs cherchent des recommandations, pas des listes de résultats. Et les LLM répondent avec des recommandations — souvent très précises, souvent avec des justifications basées sur les caractéristiques du produit.
Qui est cité dans ces recommandations ? Rarement les fiches produit des marchands. Souvent les comparatifs, les guides d'achat, les articles de test. Parce que ces contenus sont structurés pour répondre à une question, pas pour vendre un produit.
L'e-commerçant perd la recommandation directe et voit son trafic arriver depuis un comparatif tiers qui parle de lui — quand il a de la chance.
Pourquoi les fiches produit classiques ratent les LLM
Une fiche produit typique est construite ainsi : photo en carousel, prix, bouton d'achat en évidence, bullet points de caractéristiques, description courte, avis clients chargés dynamiquement, section de produits similaires.
Pour un humain sur le site, c'est efficace. Pour un LLM qui scanne la page à la recherche d'information, c'est une page quasiment vide. Le carousel ne se charge pas. Les avis sont en JavaScript. La description est courte et générique. Les bullet points de caractéristiques existent mais n'expliquent rien sur le cas d'usage.
Résultat : le LLM ne peut pas construire une recommandation riche à partir de cette fiche. Il cherche ailleurs.
La conversion markdown : ce que ça change
Convertir un catalogue produit en markdown, c'est transformer un format pensé pour le rendu visuel en format pensé pour le traitement textuel.
En markdown, la fiche produit change de nature. Le titre devient une entité nommée précise avec ses attributs clés. La description devient un paragraphe de prose qui explique à qui le produit convient et pourquoi. Les caractéristiques techniques sont dans un tableau proprement balisé. Les cas d'usage sont décrits en langage naturel. Les comparaisons avec des alternatives sont assumées et formulées clairement.
Cette version n'est pas visible sur le site. Elle est accessible aux crawlers LLM via une URL dédiée ou via le llms.txt. Elle ne remplace pas la fiche produit classique — elle la complète pour un public différent.
L'impact sur la visibilité IA peut être significatif. Un LLM qui trouve une version markdown bien structurée d'une fiche produit dispose exactement de la matière dont il a besoin pour formuler une recommandation précise et sourcée.
L'audit en dix critères
Avant de tout réécrire, il faut savoir où sont les trous. Un audit de fiche produit selon dix critères de lisibilité LLM donne une image précise de l'état du catalogue et des priorités.
Ces critères couvrent la précision du titre, la qualité de la description en prose, la présence de cas d'usage explicites, les données chiffrées mobilisables, les entités nommées, l'accessibilité des avis, la structure des caractéristiques techniques, le positionnement comparatif, la cohérence avec le llms.txt, et la lisibilité du contenu sans JavaScript.
Vurto propose cet audit sur l'ensemble d'un catalogue, avec scoring par fiche et priorisation des références à traiter en premier selon leur importance commerciale et leur potentiel de visibilité LLM. C'est ensuite l'outil qui réécrit les fiches à la volée en markdown selon les standards identifiés, avec une validation du résultat sur chacun des dix critères.
Les catégories de produits où le GEO change le plus
Tout n'est pas égal face aux LLM. Certaines catégories sont massivement touchées par les requêtes d'achat vers les moteurs génératifs.
L'électronique grand public. Les appareils électroménagers. L'outillage. Les produits de beauté et soins. Les équipements sportifs. Les livres et jeux de société. Partout où l'utilisateur a besoin de comparer avant d'acheter et où les critères techniques jouent un rôle, les LLM sont sollicités.
Dans ces catégories, ne pas être cité dans les recommandations IA, c'est ne pas exister dans une part croissante du parcours d'achat.
À l'inverse, dans les catégories d'achat impulsif ou de commodité, l'impact est moins direct. L'utilisateur qui achète des chaussettes ou du papier toilette ne demande pas conseil à Perplexity.
La bonne façon de commencer
Pas en réécrivant tout le catalogue d'un coup. En commençant par les 50 à 100 références les plus importantes commercialement et en vérifiant leur score de lisibilité LLM. Souvent, 20 % des références font 80 % du trafic. Ce sont celles-là qu'il faut traiter en priorité.
Puis auditer la structure technique du site pour vérifier que ces fiches, même bien réécrites en markdown, sont effectivement accessibles aux crawlers LLM. Un contenu parfait mais bloqué par robots.txt est un contenu parfaitement inutile.
Le GEO pour l'e-commerce n'est pas une révolution. C'est une extension logique du travail SEO et contenu déjà en place. Mais elle demande de changer le référentiel : penser "lisibilité LLM" en plus de "conversion humaine", et produire des formats qui servent les deux.
Vurto analyse les fiches produit selon dix critères et les convertit en markdown structuré pour maximiser leur présence dans les recommandations des LLM.