Comment fonctionne le GEO pour l’e-commerce et les boutiques en ligne ?

Quand un acheteur tape « meilleures chaussures de running pour pieds plats à moins de 150 $ », il ne lance plus une recherche mais une conversation : l’assistant y répond en nommant trois produits, au lieu de dix liens bleus. Les prompts de recommandation de produits forment la catégorie de questions la plus commerciale que traitent les assistants, et ce terrain s’élargit vite : la part des requêtes commerciales qui déclenchent les AI Overviews de Google a progressé de 71 % en six mois jusqu’en avril 2026 (Semrush).

L’économie du clic a changé en conséquence. Quand un résumé de l’IA apparaît dans les résultats de Google, les utilisateurs cliquent sur un résultat classique dans 8 % des visites, contre 15 % sans résumé, et 26 % de ces sessions se terminent sans aucun clic (Pew Research, juillet 2025). Pour une boutique, le moment de la décision, c’est-à-dire le choix des trois produits nommés, se joue de plus en plus dans la réponse, avant que l’acheteur n’arrive sur une page de catégorie.

Cette discipline porte plusieurs noms : GEO, AEO (Answer Engine Optimization) et LLM SEO. Tous décrivent le même travail : rendre vos produits assez faciles à récupérer, à citer et à corroborer pour que l’assistant les recommande. Nous employons ces termes indifféremment ; ce qui compte, c’est que votre boutique figure dans la réponse.

Les données de citation sont assez précises pour servir de base à un plan. Une analyse de 30 millions de sources citées par la recherche IA place G2 et Yelp aux sixième et septième rangs de tous les domaines cités : les plateformes d’avis se classent presque en tête des sources sur lesquelles les assistants s’appuient pour les questions commerciales (Peec AI). Autour d’elles, les guides d’achat, les sélections des médias et les articles comparatifs portent les questions de recommandation : l’assistant cherche une source indépendante qui a déjà classé les options.

La surprise, dans ces données, c’est le poids des contenus appartenant aux marques. Une étude de 379 321 citations de Claude sur des questions SaaS et tech en attribue environ 64 % à des sites de marques (Otterly, juin 2026). Les assistants ne citent pas seulement les auteurs d’avis sur vos produits : ils citent directement vos fiches produit, à condition que les caractéristiques, les prix et les affirmations y figurent sous forme extractible. Une boutique qui traite ses propres pages comme des sources de citation, et pas seulement comme des pages de conversion, couvre les deux moitiés du schéma.

L’étude fondatrice de Princeton sur le GEO s’applique directement au contenu produit : ajouter des citations textuelles, des statistiques et des références à une page a accru sa visibilité dans les réponses de l’IA jusqu’à 40 %. Un guide d’achat aux affirmations chiffrées (poids, autonomie, délais de retour, sources de test nommées) a plus de chances d’être cité que le même guide rédigé comme un texte marketing.

Pour répondre à « le meilleur modèle à moins de 150 $ », un assistant a besoin du prix, de la disponibilité et de la caractéristique qui distingue le produit sous forme de faits extractibles, et non de fragments éparpillés dans un widget JavaScript chargé côté client. Les données structurées Product (schema.org/Product, avec offre, prix, disponibilité et notes agrégées) énoncent ces faits dans le format que les systèmes de récupération de pages analysent le plus fiablement. Les mêmes informations doivent aussi figurer en texte visible sur la page, car l’extraction prélève des extraits de texte, pas seulement du balisage.

Les règles de rédaction par blocs autonomes de notre guide sur les citations ChatGPT s’appliquent ici avec encore plus de force, car les questions sur les produits reviennent à confronter des contraintes : « à moins de 150 $ », « pour pieds plats », « livraison en Allemagne ». Une fiche produit qui indique « pèse 240 g, drop de 8 mm, coûte 139 $, retours gratuits sous 30 jours » dans un seul bloc autonome peut être confrontée aux contraintes de l’acheteur ; une page qui annonce « conçue pour un confort ultime », non. Les pays de livraison, les délais de retour et l’état du stock font partie de la réponse : publiez-les comme des affirmations, pas comme des mentions en petits caractères.

Les informations produit doivent figurer dans le HTML renvoyé par le serveur : les systèmes de récupération n’attendent pas de façon fiable l’exécution du JavaScript de la boutique. Vous pouvez le vérifier gratuitement : désactivez JavaScript et contrôlez que le prix, les caractéristiques et la disponibilité restent visibles.

Décidez d’abord ce que vous voulez améliorer : une fiche produit citée dans une réponse écrite, votre boutique recommandée comme vendeur, ou une offre produit affichée dans l’interface shopping. Notez ces apparitions séparément. Demandez à votre fournisseur web de vérifier l’accès aux pages produit publiques et de contrôler que leurs titres, prix, disponibilités et conditions de livraison décrivent la même offre.

Pour l’intégration du catalogue, OpenAI documente des flux produits structurés, transmis par téléversement de fichier ou par API. L’intégration directe chez OpenAI est ouverte aux partenaires approuvés, d’après notre vérification du 20 septembre 2026. Vérifiez les modalités actuelles de votre plateforme et votre éligibilité avant de commander une intégration ; ni l’approbation ni un enregistrement fourni ne garantissent une recommandation.

Examinez ensuite le problème produit par produit. Si une monture est prise pour une bague complète, vérifiez comment ses composants sont décrits. Si un prix erroné apparaît, identifiez la source et la date avant de modifier le flux. Notre exemple d’audit de visibilité IA pour l’e-commerce montre comment transformer ces constats en corrections attribuées et vérifiables. Les bijoutiers peuvent aussi consulter notre guide consacré aux informations produit, aux demandes sur mesure et aux rapports de gradation.

Les questions de comparaison, comme « marque X vs marque Y » ou « alternatives à X », peuvent déterminer les produits qu’un assistant recommande. Beaucoup de boutiques évitent de publier des comparaisons qui nomment des concurrents et laissent d’autres sources répondre à ces questions. Des pages factuelles qui comparent les caractéristiques donnent aux assistants une source utile pour les décisions d’achat.

Les boutiques transfrontalières ajoutent une dimension de langue que la plupart des conseils GEO ignorent : les assistants répondent aux acheteurs allemands à partir de sources en allemand et aux acheteurs français à partir de sources en français. Un catalogue traduit par machine, ou pas traduit du tout, est donc invisible dans la moitié de ses marchés. Vendre dans la langue de l’acheteur, c’est pouvoir y être cité ; c’est pour cette raison que nous produisons et mesurons les contenus en neuf langues natives.

La mesure suit la méthode que nous appliquons partout : un jeu de prompts fixe, composé de prompts de catégorie, de produit et de comparaison pour chaque marché et chaque langue, que nous exécutons en sessions propres (nouvelle conversation, sans connexion au compte et sans historique) sur ChatGPT, Perplexity et Gemini, puis notés en part de voix et en taux de citation par rapport à la mesure initiale. Pour une boutique, le jeu de prompts se lit comme le parcours d’un acheteur : « meilleur [catégorie] pour [usage] », « [produit] vs [concurrent] », « [marque] est-elle fiable ? ». La mesure initiale montre dans quelles réponses vous apparaissez déjà, avant que personne ne vous promette quoi que ce soit.