Depuis dix-huit mois, le discours servi aux e-commerçants tient en une phrase : bientôt, vos clients achèteront sans quitter leur assistant, et il faut brancher son catalogue avant les autres. Des protocoles ont été publiés, des intégrations annoncées, des feuilles de route bâties dessus.

Puis l'acteur le plus avancé a fait marche arrière, et l'a écrit. Ce recul est la meilleure nouvelle disponible pour un marchand français, parce qu'il déplace l'effort d'un chantier technique lourd et incertain vers un chantier de visibilité que l'on sait mener.

Ce qui s'est réellement passé au premier trimestre 2026

Rappel du point de départ. En septembre 2025, OpenAI lance Instant Checkout et publie avec Stripe l'Agentic Commerce Protocol, un standard ouvert décrivant comment un marchand expose son catalogue et accepte une commande passée par un agent. Google répond le 11 janvier 2026 avec l'Universal Commerce Protocol, co-développé avec Shopify, Etsy, Wayfair, Target et Walmart, et soutenu par une vingtaine d'acteurs dont Adyen, American Express, Mastercard, Stripe, Visa et Zalando.

Deux standards concurrents, un même récit : la transaction migre dans l'interface conversationnelle.

L'adoption a raconté autre chose. Dans une analyse publiée le 7 mars 2026, Forrester relève qu'une douzaine de marchands Shopify seulement étaient actifs sur la fonctionnalité, Shopify corrigeant ensuite à une trentaine. Le 24 mars, OpenAI acte le repli. La formulation de l'entreprise, rapportée par CNBC, est explicite : la première version d'Instant Checkout n'offrait pas le niveau de flexibilité visé, les marchands vont donc pouvoir utiliser leur propre tunnel de commande pendant qu'OpenAI concentre ses efforts sur la découverte produit. Selon le même compte rendu, sur le cas Walmart, le paiement effectué à l'intérieur de ChatGPT convertissait environ trois fois moins bien que le fait de renvoyer les mêmes acheteurs finir leur commande sur walmart.com. C'est un chiffre issu d'un seul marchand, pas une moyenne de marché, mais il porte sur celui qui disposait du volume le plus élevé.

Le cas français illustre le modèle qui subsiste. Carrefour a lancé le 26 mars 2026 une application dans ChatGPT, première grande enseigne alimentaire européenne à le faire, aux côtés de Leboncoin. On y compose son panier, on vérifie les stocks, on choisit sa livraison. On paie sur carrefour.fr, avec un compte client. Le paiement dans ChatGPT n'est pas proposé.

La conclusion opérationnelle est nette, et Forrester la formule sans détour : travailler sa découvrabilité, sans céder le moment de la transaction.

Ce que vaut ce trafic de recommandation

C'est la partie qui a changé de nature en un an, et elle justifie à elle seule de s'y intéresser.

Adobe Analytics suit le trafic issu de sources d'IA générative vers les sites marchands américains, sur une base de plus de mille milliards de visites. Les chiffres de mai 2026, relayés par Digital Commerce 360 le 17 juin :

Indicateur (mai 2026, retail US) Valeur
Croissance du trafic issu de l'IA sur un an + 138 %
Croissance depuis octobre 2024 + 1 324 %
Taux de conversion face aux sources non-IA + 54 %
Temps passé sur le site + 53 %
Pages vues par visite + 23 %

Le retournement compte plus que le niveau : un an plus tôt, ce même trafic convertissait environ deux fois moins bien que les autres sources. Il convertit aujourd'hui nettement mieux. L'explication tient au parcours : quand l'assistant a déjà comparé, filtré et écarté, la personne qui arrive sur la fiche produit a franchi les étapes d'hésitation ailleurs.

Deux précautions avant d'en faire un argument. Ces mesures émanent d'un éditeur qui vend des outils d'optimisation pour l'IA, elles ne sont pas auditées par un tiers, et elles portent sur le commerce américain. Rapportées au marché français, elles indiquent une direction, pas un volume. Pour mémoire, la Fevad chiffre le e-commerce français 2025 à 196,4 milliards d'euros, en hausse de 7 %, pour 3,2 milliards de transactions et 158 000 sites marchands actifs : la part attribuable aujourd'hui aux assistants y reste marginale, et c'est bien la pente qui est en jeu, pas le stock.

Comment un moteur choisit le produit qu'il recommande

Deux travaux publiés en juin 2026 permettent enfin de sortir des intuitions. Ce sont des préprints, non encore relus par les pairs, et nous les citons pour leur méthode, qui est publiée.

Le premier, signé Xi Chu (Trine University) et YuPeng Hou (Texas A&M), teste le biais de marque dans les recommandations sur GPT-4o-mini, Claude Sonnet et Gemini 3 Flash, en prenant les soins de la peau comme terrain : une catégorie où l'acheteur ne peut pas juger la qualité avant l'achat et s'en remet donc à la réputation. Trois résultats comptent pour un marchand.

  • Le monopole conditionnel. À caractéristiques produit strictement identiques, les marques déjà connues sont recommandées 100 % du temps. L'avantage à l'installé n'est pas une impression, il est total.
  • Le seuil qui le brise. Cette domination disparaît dès qu'un concurrent affiche 0,1 étoile de note en plus. Un dixième de point sur une note moyenne suffit à renverser un monopole apparemment absolu.
  • Le langage d'autorité. Un vocabulaire de preuve dans la description produit déplace la recommandation d'un montant équivalent à 0,17 point de note, avec des écarts marqués d'un modèle à l'autre.

Le second, de Dmitrij Žatuchin (Estonian Entrepreneurship University of Applied Sciences), cartographie la structure concurrentielle des recommandations sur 3 750 réponses : 50 marques, cinq secteurs dont le e-commerce, 250 requêtes de catégorie ne citant aucune marque, trois modèles (GPT-5.2, Gemini 3 Flash, Perplexity sonar-pro), chaque requête répétée cinq fois. L'auteur est affilié à un éditeur d'outils de visibilité IA, ce qu'il déclare, et présente ses métriques comme exploratoires.

Mesure Résultat
Concentration des recommandations (Gini moyen) 0,28 (intervalle de confiance à 95 % : 0,16 à 0,41)
Requêtes sans marque dominante 8,0 %
Accord entre les trois modèles sur la marque n° 1 41,6 %
Substitution entre marques : parts perdues par le concurrent quand une marque en gagne 2,4 pour 1

Deux enseignements en découlent. Le premier : la concentration est modérée, très en deçà du seuil d'une loi de puissance, ce qui contredit le récit du gagnant qui rafle tout. Le second, plus utile encore : sur près de six catégories sur dix, les trois moteurs ne désignent pas la même marque en tête. Être recommandé par ChatGPT ne dit rien de ce que répond Gemini. C'est le même constat que celui déjà mesuré entre les deux surfaces de Google, où les citations ne se transfèrent pas d'AI Mode aux AI Overviews.

La dernière ligne du tableau se lit comme un rapport de force : quand une marque gagne des mentions dans une catégorie, ce sont en moyenne 2,4 parts perdues par un concurrent identifié pour 1 part perdue par la marque en question dans le sens inverse. Vous ne prenez donc pas « une part de marché » diffuse, vous prenez celle de quelqu'un en particulier, et il est utile de savoir de qui avant de commencer.

Mises bout à bout, ces deux études disent la même chose à un marchand de taille moyenne : la place est prise par défaut, elle se reprend pour un écart faible, et elle se reprend moteur par moteur.

Le verrou technique est sur vos fiches produit

Avant de discuter protocoles, il faut vérifier que la page se lit. Adobe a mesuré en mai 2026 la part du contenu des pages marchandes réellement lisible par un modèle de langage, secteur par secteur.

Secteur Part du contenu lisible par une IA
Cosmétique 63 %
Électronique 56 %
Sport 51 %
Habillement 51 %
Alimentaire 48 %
Meuble et maison 47 %

Aucun secteur n'atteint les deux tiers. Sur une fiche produit, ce qui disparaît est toujours la même chose : le prix et la disponibilité injectés par script après le chargement, les caractéristiques enfermées dans des onglets dépliants, les avis chargés depuis un domaine tiers, la description en image, les variantes accessibles seulement par un sélecteur.

Trois vérifications valent des semaines de discussion sur les flux :

  • La page rendue sans JavaScript doit contenir le nom, le prix, la disponibilité et les caractéristiques. C'est la condition d'entrée, tout le reste en dépend.
  • Les robots doivent pouvoir entrer. Sur les sites marchands, le blocage vient rarement du robots.txt et presque toujours de la protection anti-bot du CDN, qui traite les récupérateurs déclenchés par un utilisateur comme du scraping. Le sujet est détaillé dans quels crawlers IA autoriser.
  • Le balisage Product et Offer doit refléter le prix et le stock réels. Il ne fabrique pas de citation, comme nous l'avons documenté à propos des données structurées et de l'IA, mais il lève l'ambiguïté sur les deux champs que les moteurs se trompent le plus souvent à énoncer.

Ce dernier point est aussi une affaire de réputation. Un prix périmé qu'un assistant annonce à un client est une hallucination sur votre marque que vous avez vous-même alimentée.

Les flux produit : utiles, mais pas là où on croit

L'Agentic Commerce Protocol accepte les formats TSV, CSV, XML et JSON, et admet des mises à jour toutes les quinze minutes. Google, de son côté, ouvre de nouveaux attributs Merchant Center pensés pour les questions longues posées en conversation, et un agent commerçant activable depuis le même compte.

Ces flux servent réellement à deux choses : afficher un prix et une disponibilité exacts, et rendre un produit éligible aux surfaces marchandes. Ils ne servent pas à se faire recommander dans une réponse en texte libre, qui reste alimentée par ce que le modèle a appris et par ce qu'il récupère sur le web.

D'où l'ordre de priorité pour un marchand français en 2026. Si vous alimentez déjà Google Merchant Center, vos nouveaux attributs sont un chantier de quelques jours, à faire. L'implémentation complète d'un protocole de commande agentique, avec ses cinq points d'entrée et sa conformité paiement, est en revanche un investissement lourd dont le principal promoteur vient de reconnaître qu'il ne tenait pas ses promesses, et dont l'ouverture hors des États-Unis reste annoncée sans calendrier ferme.

Ce qui déplace vraiment une recommandation

Puisque 0,1 étoile suffit à renverser un monopole, l'essentiel se joue là où se forment les notes et les descriptions, c'est-à-dire en grande partie hors de votre site.

  • Les avis, en volume et en fraîcheur. C'est le levier au meilleur rendement mesuré. La note agrégée compte, mais aussi le fait que les avis récents soient lisibles dans la page plutôt que chargés depuis un widget tiers.
  • Les comparateurs et les tests indépendants. Un modèle interrogé sur « le meilleur X pour Y » va chercher des pages qui comparent déjà. Absent de ces pages, vous n'êtes pas dans l'ensemble de départ.
  • Les places de marché. Votre fiche sur une marketplace est souvent mieux récupérée que la vôtre. Elle doit donc dire exactement la même chose, sous peine de vous voir attribuer les caractéristiques d'un autre.
  • Le vocabulaire d'usage. Les questions posées aux assistants sont des cas d'usage, pas des références produit. Une fiche qui ne contient que des caractéristiques techniques ne répond à aucune d'entre elles.

Ce terrain hors site est le même que celui décrit dans sources tierces et citations IA, et il obéit à la même logique d'autorité que celle mesurée à propos de l'E-E-A-T face aux moteurs génératifs : ce qui se dit de vous ailleurs pèse plus lourd que ce que vous affirmez chez vous.

Deux pièges documentés

L'étude de Chu et Hou apporte un résultat qu'il serait malhonnête de passer sous silence : parmi les formulations qui déplacent le plus efficacement une recommandation figurent des allégations de preuve clinique fabriquées. Le mécanisme fonctionne parce que le modèle évalue la forme de l'autorité, pas sa véracité.

Trois raisons de ne pas s'y engager. En France, une allégation de ce type sur un produit relève du droit de la consommation et engage la responsabilité du vendeur. Elle est vérifiable par n'importe quel concurrent. Et elle finit reprise, hors contexte, dans des réponses que vous ne contrôlez plus.

Le second piège est plus subtil, et les mêmes auteurs le nomment dilemme social. Quand toutes les marques d'une catégorie adoptent la même stratégie d'optimisation, le gain individuel s'effondre dans leur simulation, tombant de 0,802 à 0,007. Ne subsiste qu'un effet : les marques qui n'ont rien fait ne reçoivent plus aucune recommandation. Autrement dit, l'optimisation de contenu produit un avantage transitoire et une pénalité permanente à l'inaction. Elle ne dispense pas d'avoir un produit mieux noté.

Par où commencer, dans l'ordre

  1. Relever l'existant. Vingt à trente questions d'acheteur formulées comme on parle, passées sur ChatGPT, Gemini, Perplexity et l'AI Mode, répétées. Vous cherchez qui est nommé, pas votre position. Le protocole et ses limites sont décrits dans mesurer sa visibilité IA.
  2. Corriger la lisibilité machine de vos vingt fiches les plus contributrices au chiffre d'affaires : rendu sans JavaScript, accès des robots, balisage Product et Offer conformes au prix affiché.
  3. Aligner les surfaces. Site, places de marché, flux Merchant Center et fiches revendeurs doivent énoncer les mêmes caractéristiques. Les divergences sont la première cause d'erreur constatée.
  4. Travailler la note et les avis sur les références où vous êtes à moins de deux dixièmes du concurrent recommandé. C'est là que le rendement est le plus élevé.
  5. Entrer dans les pages qui comparent, par la donnée produit exploitable plutôt que par l'achat d'article.
  6. Re-relever à huit semaines, moteur par moteur, sans agréger. Les outils du marché et leurs angles morts sont comparés dans notre panorama des outils GEO.

Ce séquencement vaut pour un catalogue de toute taille. Sur un catalogue large, on travaille les catégories et les cas d'usage avant les fiches, un arbitrage que nous détaillons pour les acteurs de la distribution avec notre équipe de Lille. Sur des produits à forte valeur et à clientèle internationale, le vin et le négoce par exemple, l'enjeu se déplace vers la cohérence de l'entité entre les langues, sujet traité à Bordeaux.

Ce qu'il faut retenir

Le pari du paiement dans l'assistant a été tenté par l'acteur le mieux placé, et il a été retiré au bout de six mois pour une raison mesurable : les acheteurs convertissaient mieux sur le site du marchand. Ce qui reste est le terrain décisif. La découverte se déplace vers les assistants, la transaction reste chez vous, et la valeur se joue donc entièrement sur la question de savoir si votre produit est nommé.

Trois faits pour arbitrer un budget. La place est prise par défaut par les marques installées, mais l'écart qui la reprend est de l'ordre du dixième d'étoile. Les moteurs ne s'accordent sur la marque de tête que dans quatre cas sur dix, ce qui interdit de traiter « l'IA » comme un canal unique. Et la moitié du contenu de vos fiches produit n'est aujourd'hui pas lisible par une machine, ce qui rend tout le reste théorique.

L'ordre des travaux découle de ces trois faits, et il commence par le moins spectaculaire. Si vous voulez savoir où vous en êtes avant d'engager quoi que ce soit, c'est l'objet d'un audit de visibilité IA, et la façon dont ce chantier s'articule avec un dispositif SEO existant est décrite dans agence SEO et GEO.