Comment une petite marque peut-elle être citée dans les réponses shopping des IA face aux grandes enseignes ?

Les assistants IA appuient leurs recommandations d’achat sur des sources que vous ne possédez pas. Les sources tierces (communautés, sites d’avis, affiliés, médias) pèsent environ 80 à 95 % des citations selon le secteur dans les réponses d’achat à forte intention, Reddit apparaissant dans 62 % des réponses et YouTube dans 25 % (étude BOFU, environ 1 000 prompts et 57 095 citations, du 29 janvier au 4 février 2026).

Les avis en sont la forme la plus mesurée. Une analyse Trustpilot menée avec SEER Interactive sur plus de 800 000 réponses (ChatGPT, Gemini, Perplexity, Google AI Mode) relève que 59 % des recommandations IA incluent un TrustScore ou une note en étoiles comme élément de preuve. Le taux de citation varie fortement selon le profil d’avis, et il s’agit d’une corrélation observée, pas d’une preuve que l’ajout d’avis cause à lui seul une hausse des recommandations.

Un enseignement de la même étude BOFU mérite d’être retenu à part : les pages de comparaison arrivent en tête des formats cités, devant les listes de recommandations. Une petite marque n’a donc pas besoin d’être partout, elle a besoin d’exister dans les formats que les assistants vont chercher.

Les prix présentés par les assistants IA ne correspondent pas toujours à ceux de la page d’achat, et les écarts mesurés sont substantiels. Ces relevés ne disent pas qu’un flux périmé en est la cause, aucune étude ne l’a mesuré : ils disent que les assistants servent des valeurs qui divergent de la page marchande, et que la fraîcheur des données est le seul paramètre que le marchand contrôle.

• Pour les produits présents à la fois dans Google AI Mode et dans la recherche classique, le prix différait dans 38,1 % des cas, AI Mode portant le prix le plus élevé dans 68,4 % de ces cas, avec des prix en moyenne 21,6 % plus élevés (Productrise, États-Unis et Royaume-Uni, du 9 au 31 août 2026).
• Le vendeur principal différait entre les deux surfaces dans 49,6 % des cas (même source).
• Sur une comparaison ponctuelle entre AI Mode et l’onglet Shopping portant sur 270 produits, les prix différaient pour 80 produits, soit 29,6 %, avec une prime médiane de 20,2 % quand AI Mode était plus cher (ShopSavvy, mesure du 7 septembre 2026).
• ChatGPT a donné 43 réponses de prix correctes sur 51 détaillants australiens vérifiés, et la disponibilité en magasin n’a jamais été confirmée à partir des données du détaillant (relevé publié du 22 au 25 septembre 2026).
• Sur 220 questions shopping répétées cinq fois (ChatGPT, Claude, Gemini, Perplexity, versions gratuites et payantes), des conflits factuels répétables apparaissaient sur 86 % des questions et 97 % des comparaisons directes, tandis que 85 % des 913 réponses de prix vérifiables correspondaient au prix courant (étude Product.ai, 22 septembre 2026).

La conséquence opérationnelle est simple. Être sélectionné par un assistant puis renvoyer un visiteur vers un prix différent ou un produit indisponible coûte plus cher que de ne pas avoir été cité : la déception est attribuée à votre marque, pas à l’assistant. La fraîcheur du flux, idéalement en temps réel sur le prix et le stock, est donc un sujet d’exploitation quotidienne, pas un chantier ponctuel.

Toutes les surfaces de recommandation shopping ne sont pas accessibles depuis la France, et l’écart entre une annonce et une disponibilité réelle se compte en mois. La recherche de produits dans ChatGPT a été lancée le 28 avril 2025 pour les utilisateurs connectés, avec un déploiement initial aux États-Unis. Instant Checkout et l’Agentic Commerce Protocol ont été annoncés le 29 septembre 2025, d’abord sur des achats Etsy aux États-Unis puis Shopify ; l’approche a changé depuis, au profit de la découverte dans ChatGPT suivie d’un paiement sur le site ou l’application du marchand (état au 29 septembre 2026).

Côté Google, l’Universal Commerce Protocol a été annoncé le 11 janvier 2026 comme standard ouvert, conçu avec Shopify, Etsy, Wayfair, Target et Walmart, soutenu par plus de 20 acteurs et compatible A2A, AP2 et MCP. Le bouton d’achat qu’il alimente a démarré le 13 janvier 2026, et l’accès au paiement intégré se fait sur acceptation du marchand par Google : être compatible UCP ne suffit pas. Ces surfaces partagent le même socle de flux et de fiches que les campagnes Shopping, ce qui en fait autant un terrain d’agence IA Google Ads que de référencement.

Les recommandations IA pèsent encore peu dans le trafic marchand, et c’est une raison de mesurer tôt plutôt que d’attendre. Les recommandations IA représentaient 0,4 % des visites de sites e-commerce de détail, les référents issus de l’IA générative progressant de 203 % sur un an (Similarweb, State of Ecommerce 2026, rapport publié en septembre 2026). Sur un périmètre américain distinct, Adobe Analytics mesurait une croissance du trafic de détail référé par l’IA de 393 % sur un an au premier trimestre 2026, sur plus de 1 000 milliards de visites de sites de détail.

La qualité de ces visites compte plus que leur volume. Les parcours combinant IA et recherche convertissaient à 23 %, contre 17,3 % pour la recherche seule et 12,5 % pour l’IA seule (Similarweb, parcours d’achat américains, juin 2026). En juillet 2026, le revenu par visite des visiteurs venus de l’IA était 53 % supérieur à celui des autres visites, alors qu’un an plus tôt les visites hors IA valaient 128 % de plus (Adobe Analytics). Le mouvement est engagé chez les annonceurs : 59 % de 1 950 marketeurs seniors interrogés dans 14 marchés en avril 2026 optimisaient leur contenu et leur référencement pour la recherche assistée par IA, et la moitié investissaient dans le commerce agentique (enquête CMO de Dentsu Creative).

Un relevé utile tient en cinq étapes, et l’ordre compte : mesurer avant d’agir évite de financer un chantier que les chiffres ne demandaient pas.

1. Geler une liste de requêtes d’intention réelle, formulées comme vos clients les formulent en dialogue, pas comme des mots-clés.
2. Relever assistant par assistant si votre marque est citée, à quel rang, et sur quelle preuve la recommandation s’appuie.
3. Noter la date du relevé et le pays d’interrogation, puisque les surfaces diffèrent selon le marché.
4. Isoler dans votre outil de mesure les sessions et les clics venus des assistants, séparément du reste du trafic.
5. Rejouer le relevé à cadence constante, aux mêmes paramètres, et n’annoncer un taux qu’avec le nombre de requêtes qui en forme le dénominateur.

Une petite marque qui veut faire apparaître ses produits dans les réponses shopping des assistants IA commence par le socle qu’elle contrôle, puis par une intention étroite qu’elle peut revendiquer mieux qu’une enseigne nationale. Référencer un catalogue pour être visible dans ces recherches en dialogue suit l’ordre du référencement classique : on se rend lisible, puis on se rend préférable. L’inverse, viser large d’abord, revient à se comparer à des marques dont la notoriété porte précisément les demandes génériques.

1. Lever les blocages d’exploration, en vérifiant séparément GPTBot et OAI-SearchBot, puis les autres robots IA.
2. Choisir deux ou trois intentions précises que vous pouvez porter de façon crédible, avec un critère nommé (usage, contrainte technique, délai, composition) plutôt qu’un positionnement général.
3. Mettre le flux produit et le balisage au niveau exigé sur ces produits-là, avant d’étendre au catalogue entier.
4. Faire exister la preuve hors de votre site : profil d’avis actif, pages de comparaison, présence dans les communautés et les contenus que les assistants citent.
5. Relever votre présence, mesurer, et n’élargir que sur les intentions où vous apparaissez déjà.

Les étapes 2 et 4 sont celles qui demandent le plus de production éditoriale, et le moins de budget technique. Elles relèvent d’un travail de rédaction IA qui se planifie sur un trimestre, parce qu’une page de comparaison crédible ne s’écrit pas en une semaine. Passer d’une stratégie de référencement classique aux moteurs génératifs ne change donc pas les métiers mobilisés, il change leur ordre : on optimise d’abord ce qu’une machine peut lire.