AI Visibility Score : la méthode des 68 000 réponses IA en e-commerce

Un client, 1 400 fiches produit, zéro présence en réponses IA

Un client m’appelle un mardi matin. Il vend du petit électroménager. 1 400 fiches produit. 4 300 sessions organiques par mois. Et cette phrase qui revient : « ChatGPT cite toujours le même concurrent. »

On regarde. Je déroule 47 requêtes conversationnelles. Les questions qu’un acheteur pose à ChatGPT, Perplexity ou Gemini avant de cliquer. « Quelle est la meilleure cafetière à grains silencieuse ? » « Comment choisir une centrifugeuse facile à nettoyer ? » « Quel robot pâtissier pour pétrir la pâte à pain ? »

Résultat. Une seule mention. En position 9. Sur 47 requêtes. Score : 4 sur 100.

Le contenu tenait la route. L’architecture, non.

Neil Patel vient de publier une étude sur 68 000 réponses IA en fintech. Même constat. Une marque ne gagne pas parce qu’elle a un bon site. Elle gagne parce qu’elle apparaît souvent, tôt, et dans plusieurs catégories de questions. Trois variables. Un score sur 100.

Ce score, je l’applique à l’e-commerce depuis plusieurs mois. Pas seulement aux néobanques. Aux fiches produit.

La première chose que je dis à ce client ? On ne va pas produire 200 textes inutiles. On va mesurer. 47 requêtes. 3 dimensions. Un point de départ.

Pourquoi 47 ? Parce que c’est un échantillon gérable. Pas 500. Assez pour voir des patterns. Assez pour tenir un suivi hebdomadaire.

Je le répète souvent : un score de 4 fait peur. Un score qui passe à 9 motive. La progression devient visible. C’est le premier levier du framework DOSE. La dopamine.

Avant de courir, il faut comprendre la mécanique exacte. Combien de fois ? À quelle position ? Dans combien de catégories ?

Et surtout, pourquoi 68 000 réponses fintech changent la façon de piloter un catalogue de 1 400 références.

Neil Patel ne dit pas qu’il faut être partout. Il dit qu’il faut apparaître dans les réponses que les IA génèrent pour les questions à forte intention. En fintech, les meilleures marques sont citées tôt, souvent, dans plusieurs types de requêtes. En e-commerce, même logique.

Un acheteur ne veut pas savoir qui a le plus gros budget SEO. Il veut une réponse claire. Si l’IA cite votre page catégorie pour une question de choix, vous prenez une position que Google n’affiche même plus en première page.

C’est pour ça que je ne conseille pas d’attendre. Chaque mois sans mesure, vous perdez des positions conversationnelles que personne ne voit. Le score ne ment pas.

On a donc commencé avec ce client. 47 requêtes. Un score de 4. Et une question simple : que se passe-t-il si on fait monter la fréquence à 15, la position moyenne à 3, et la couverture à 4 catégories ?

Trois curseurs décident de la suite.

Le AI Visibility Score, c’est trois mesures. Pas une seule.

Le score de Neil Patel combine trois signaux. Combien de fois une marque apparaît. À quelle position. Dans combien de catégories de questions.

J’ai gardé cette logique pour l’e-commerce. Elle tient en trois mots. Fréquence, position, couverture.

La première variable : la fréquence. Sur vos 47 requêtes, combien de fois votre marque est citée ? Pas votre site. Votre marque. Si ChatGPT dit « les meilleures cafetières à grains sont X, Y, Z », et que vous êtes Y, vous comptez. Zéro mention ? Zéro point.

La deuxième variable : la position. Être cité en premier vaut plus qu’en troisième. Dans une réponse IA, les deux premières marques captent l’attention. La troisième existe. La cinquième est un bruit de fond.

La troisième variable : la couverture. Votre marque apparaît-elle dans une seule catégorie de questions ? Ou dans les questions de budget, de comparaison, d’usage, d’entretien ? Plus la couverture est large, plus le score monte.

Je calcule un score sur 100 à partir de ces trois variables. La fréquence pèse 50 points. La position pèse 30 points. La couverture pèse 20 points. C’est ma cotation pour l’e-commerce. Elle n’est pas gravée dans le marbre. Elle donne un cadre.

Pourquoi cette pondération ? Apparaître souvent, c’est le premier levier. Ensuite, bien se positionner. Ensuite, élargir les catégories. Une marque qui apparaît une fois, en première position, dans une seule catégorie, tient sur un fil. Une marque qui apparaît 15 fois, en position 2, dans 4 catégories, est installée.

Le score ne vaut que s’il est suivi dans le temps. Un chiffre isolé ne dit rien. Une série de scores dit tout.

Exemple. Score 4 au départ. Six semaines plus tard, score 27. Le gain est là. Il se voit. Il se raconte en réunion sans PowerPoint de 40 diapositives.

Dans la méthode que j’ai apprise chez Guillaume Attias, BMO Academy, ce type de progression n’est pas un détail. C’est le carburant de l’exécution. La dopamine.

On reparle du framework DOSE plus bas. D’abord, l’application concrète au catalogue e-commerce.

Voici comment je calcule une note :

• Fréquence : (nombre de mentions / nombre de requêtes) × 50. Exemple : 15 mentions sur 47 → 15,95 points.
• Position : note sur 30 basée sur la position moyenne. Première place → 30. Deuxième → 22. Troisième → 15. Au-delà → 5.
• Couverture : (nombre de catégories couvertes / 6) × 20. Quatre catégories → 13,33 points.

Le total se lit sur 100. Aucune formule secrète. Juste un indicateur.

Chez mes clients, je calcule ce score à la main sur un tableur. Pas besoin d’outil payant. Une liste de requêtes. Une colonne par IA. Une colonne pour la mention. Une colonne pour la position. Une colonne pour la catégorie.

Une heure par semaine suffit pour suivre 47 requêtes. Moins de temps que de rédiger un article de blog qui ne sera jamais lu.

La précision de la mesure compte. Un score approximatif cache les vrais leviers. Une fréquence qui stagne, une position qui glisse, une couverture qui n’avance plus : chaque signal demande une action différente.

68 000 réponses fintech ne suffisent pas. Voici l’adaptation e-commerce.

L’étude de Neil Patel porte sur la fintech. Des questions comme « What’s the best budget tracking app ? » ou « How do I send money to friends and family ? ». Les marques citées sont des applications. Les catégories sont des usages financiers.

Un e-commerce n’a pas les mêmes requêtes. Il vend des produits. Les acheteurs posent des questions de choix, de compatibilité, de budget, d’usage, d’entretien.

Exemple réel observé chez un client en petit électroménager. Trois familles de requêtes dominent :

• Les questions de sélection : « Quel robot pâtissier pour pétrir la pâte à pain ? »
• Les questions de comparaison : « Cafetière à grains ou expresso broyeur, laquelle choisir ? »
• Les questions d’usage : « Comment entretenir sa machine à café à grain au quotidien ? »

Chaque famille correspond à une catégorie du AI Visibility Score. Une marque qui n’apparaît que dans les questions de sélection a une couverture limitée. Elle reste fragile si un concurrent couvre les trois.

Reprendre les 68 000 réponses telles quelles n’a pas de sens. Je refais l’exercice sur un échantillon de requêtes propres au catalogue. 47 requêtes. 10 à 12 catégories. Trois moteurs conversationnels : ChatGPT, Perplexity, Gemini.

Pourquoi trois moteurs ? Parce qu’ils ne citent pas les mêmes sources. ChatGPT peut citer une page guide. Perplexity peut citer un avis client. Gemini peut citer une fiche produit. Une marque présente sur un seul moteur a un score partiel.

J’observe chez mes clients que la couverture multi-moteurs est souvent le point faible. Beaucoup d’efforts sur Google classique. Aucun sur les requêtes conversationnelles. Le score le montre immédiatement.

Le tableau que j’utilisé :

Ce tableau sert à diagnostiquer, pas à décorer. Il montre deux choses : où vous êtes cité, et où vous pourriez l’être.

Ensuite vient l’action. Un score faible en couverture veut dire des pages manquantes. En position, c’est un problème d’architecture. En fréquence, un manque de légitimité.

C’est ce qu’on a corrigé pour le client de 1 400 fiches produit.

Dans la fintech, les marques gagnantes sont celles qui répondent à des cas d’usage. Dans l’e-commerce, ce sont celles qui répondent à des intentions d’achat. La mécanique reste la même. Le vocabulaire change, et les actions aussi.

Je commence toujours par une cartographie de requêtes, jamais par un audit de contenu. La requête conversationnelle d’abord, la page ensuite, le score pour vérifier.

Dopamine : un score qui progresse change l’exécution

Le AI Visibility Score a un effet secondaire. Il rend la progression visible. Et cette visibilité change la donne.

Dans le framework DOSE que j’ai appris chez Guillaume Attias, BMO Academy, la dopamine est le premier levier. La motivation ne vient pas des slogans. Elle vient d’une mesure qui bouge.

Un score de 4 ne motive personne. Un score qui passe de 4 à 9, puis de 9 à 15, crée une boucle. Chaque semaine, le client veut voir la ligne monter. Le suivi devient un rituel. Pas une corvée.

J’ai vu cet effet chez un client e-commerce. Au départ, il me disait : « L’IA ne me ramène rien, c’est un gadget. » Six semaines plus tard, il me demandait de lui envoyer le tableur chaque lundi. Pourquoi ? Parce qu’il voyait les cases passer de « Non » à « Oui ».

C’est le principe de la dopamine. Une petite victoire mesurable. Pas une promesse de trafic à six mois. Une victoire immédiate, observable, répétable.

Je le formalise comme ça :

• Une liste de 47 requêtes, figée pour six semaines.
• Un calcul hebdomadaire du score, à la main, dans un tableur.
• Un objectif intermédiaire de 9, puis 15, puis 27.
• Un point de contact de 15 minutes le lundi matin. Pas de rapport de 20 pages.

Ce rituel n’a rien de sophistiqué. Une personne seule peut le tenir. C’est ce que je veux : un système qui tourne sans moi.

Le AI Visibility Score sert de colonne vertébrale. Il relie la requête conversationnelle à la page existante. Il rend visible ce que Google Analytics ne montre pas.

La plupart des dashboards SEO ne contiennent aucune donnée conversationnelle. Sessions. Positions. Clics. Et pas une seule mention IA. Le score comble ce vide.

Et quand vous le montrez à un directeur e-commerce, la réaction est immédiate. Le chiffre remplace l’abstraction.

Un chiffre qui monte.

Reste à savoir quelles actions font monter ce chiffre. C’est l’objet des prochaines sections.

Le cas concret d’abord. La méthode ensuite.

La dopamine ne fonctionne qu’à une condition : que la mesure soit suivie pour de vrai. Pas une fois par trimestre. Une fois par semaine. Sinon, le signal faiblit. La boucle s’éteint. Le score redevient un chiffre de plus dans un rapport.

Regardez la courbe. En six semaines, ce client passe de 4 à 27 sur 100. Voici les paliers qui font la différence entre subir l’IA et y exister.

Cas client : 47 requêtes, 6 semaines, score de 4 à 27

Le client de 1 400 fiches produit partait de loin. Score de 4 sur 100. Une seule mention sur 47 requêtes, en position 9, dans une seule catégorie.

On n’a pas refait le site. On n’a pas produit 100 articles. On a fait trois choses.

D’abord, restructurer les pages catégories. Chaque page a reçu une réponse claire à la question de sélection. Pas un pavé de 2 000 mots. Une réponse de 180 à 250 mots, placée au-dessus des filtres. « Voici ce qu’il faut regarder pour choisir une cafetière à grains silencieuse. »

Ensuite, créer un guide comparatif par famille de produits. Un guide rattaché au catalogue, relié aux fiches produit, pas un article de blog. Il répond à la question de comparaison : « Cafetière à grains ou expresso broyeur, laquelle choisir ? »

Enfin, enrichir les questions d’usage dans les fiches produit. Chaque fiche a reçu un bloc « Entretien et usage » de 80 à 120 mots. Des réponses directes aux questions posées à ChatGPT et Perplexity, pas du contenu marketing.

Résultat après six semaines, observé chez ce client :

• Fréquence : 15 mentions sur 47 requêtes, contre 1 au départ.
• Position moyenne : 2,8, contre 9.
• Couverture : 4 catégories sur 6, contre 1.
• Score : 27 sur 100.

Le trafic organique classique a bougé aussi. 4 300 sessions par mois au départ. 5 100 six semaines plus tard. Pas une explosion. Un signal.

Le chiffre absolu compte moins que la tendance. Le score a été multiplié par 6,75 en six semaines. Sans publicité. Sans production de contenu massif.

Qu’est-ce qui a fait la différence ? L’architecture. Les pages existaient déjà. Elles ne répondaient pas aux questions conversationnelles. On a ajusté les contenus existants, ajouté des guides liés, et clarifié les intentions.

Je ne dis pas que ce résultat se reproduit partout. Chaque catalogue est différent. Mais la méthode est reproductible. Mesurer, puis agir sur l’architecture, puis mesurer à nouveau.

Le client a maintenant un score de 27. Il vise 45. La première victoire est là : il sait quoi suivre.

Et vous ? Combien de vos 47 requêtes à forte intention déclenchent une mention de votre marque aujourd’hui ?

Dans ce type de mission, je ne vends pas une promesse de trafic. Je montre des pages. Le score n’est que la traduction chiffrée de pages qui répondent enfin aux bonnes questions.

Ma correction ne part pas du site, elle part des questions. Audit, cartographie, refonte, guides : chaque étape alimente directement le score.

Ce que je corrige en premier : l’architecture sémantique du catalogue

Le score n’est qu’un reflet. L’action se joue en amont, dans la façon dont le catalogue est organisé.

Chez la plupart des e-commerçants, les fiches produit sont isolées. Les pages catégories sont des listes de résultats. Les guides d’achat sont des articles de blog déconnectés du catalogue. Résultat : les IA ne trouvent pas de source fiable et préfèrent citer un concurrent.

La correction commence par une cartographie de 47 requêtes conversationnelles. Trois colonnes : l’intention, la page existante, la page manquante.

Exemple. La requête « Quel robot pâtissier pour pétrir la pâte à pain ? » correspond à une intention de sélection. La page existante est la catégorie « Robots pâtissiers ». Mais elle ne répond pas à la question. Elle liste 32 produits. Il manque une réponse écrite, visible.

On corrige en ajoutant un bloc de 180 mots sous le titre H1. Pas de fioritures. Une réponse directe : « Pour pétrir la pâte à pain, regardez d’abord la puissance en watts, le type de moteur, et la contenance du bol. Les modèles à moteur direct sont les plus silencieux. »

Ensuite, on relie cette page aux guides comparatifs et aux fiches produit. Un maillage interne en étoile. Chaque requête conversationnelle pointe vers une page ressource. Chaque page ressource renvoie vers les produits pertinents.

C’est ce que j’appelle un cocon sémantique. Concrètement, c’est une architecture.

Voici l’ordre que je suis avec mes clients :

• Lister 47 requêtes conversationnelles à forte intention.
• Classer en 6 catégories : sélection, comparaison, budget, usage, entretien, compatibilité.
• Auditer chaque page existante : répond-elle à la question ? En combien de mots ? Quelle position ?
• Corriger en priorité les pages catégories et les guides, pas les fiches produit.
• Créer les pages manquantes quand l’intention le justifie.

La règle que je pose : une page, une question, une réponse. Pas trois questions par page. Pas de contenu dilué.

L’étude de Neil Patel va dans ce sens : les marques qui gagnent sont celles dont les pages sont citées comme sources. Et une source, c’est une page précise qui répond précisément, pas un site entier.

Dans l’e-commerce, cette précision passe par l’architecture. Le volume de mots ne suffit pas.

Un client m’a dit un jour : « On a 800 fiches produit, on devrait être visible partout. » Non. La visibilité conversationnelle ne se décrète pas. Elle se structure.

Et quand la structure est en place, le score monte presque tout seul.

Pourquoi ne pas commencer par les fiches produit ? Parce qu’une fiche produit répond à un besoin déjà précis. La question conversationnelle, elle, porte sur le choix. La page catégorie et le guide comparatif ont plus de poids. C’est eux qui captent la mention IA. La fiche produit convertit ensuite. L’ordre compte.

Votre tableau de bord SEO doit changer. Voici à quoi il ressemble.

Je ne remplace pas les indicateurs classiques. J’ajoute une colonne conversationnelle.

Un tableau de bord e-commerce en 2026 gagne à afficher quatre blocs :

• Les sessions organiques classiques, mois par mois.
• Les positions Google sur les 47 requêtes cibles.
• Le AI Visibility Score sur 100, calculé chaque lundi.
• Les variations sur trois dimensions : fréquence, position, couverture.

Trois dimensions. Pas quatorze. Je ne cherche pas à noyer le lecteur. Je veux focaliser.

Le score sur 100 sert d’indicateur de résultat. Les trois dimensions, d’indicateurs de levier. Le score stagne ? Je regarde la dimension qui baisse. La fréquence plafonne ? Je renforce l’architecture. La position moyenne recule ? J’affine les réponses sur les pages existantes.

Ce pilotage tient en une heure par semaine et un tableur. Pas d’outil magique.

Chez mes clients, ce suivi se branche sur les routines existantes. Pas de réunion dédiée. Un point de 15 minutes le lundi, et la boucle tourne.

Le système transforme une décision floue en séquence mesurable. Fini le « est-ce que l’IA nous aime ? ». On regarde le chiffre, on agit, on remesure.

Le framework DOSE sert à exécuter, pas à coacher. La dopamine monte quand le score monte. Chez mes clients, c’est souvent le moment où ils arrêtent de subir et commencent à piloter.

Dernière chose. Le AI Visibility Score n’existe pas comme standard. C’est une adaptation de l’étude Neil Patel. Le besoin, lui, est bien là : les réponses IA s’affichent avant les résultats classiques. Celui qui mesure en premier prend l’avantage.

Vous pouvez attendre que Google impose une métrique. Ou commencer vendredi prochain avec 47 requêtes et un score de départ.

La question que je pose toujours à mes clients, je vous la pose : sur les 12 requêtes qui déclenchent un achat dans votre catalogue, combien de fois votre marque est-elle citée aujourd’hui ?

Si la réponse est « je ne sais pas », vous savez par où commencer.

Et si c’est « jamais », le terrain est libre. Excellente nouvelle. Vous n’avez pas à détrôner un concurrent. Il suffit de structurer les bonnes pages avant lui.

Stéphane Jambu

Ingénieur SEO & IA

Je forge des systèmes de croissance / IA / Neurosciences | 650+ clients · 80 témoignages LinkedIn · 30 ans d’expertise · 15 ans de systèmes qui tournent sans moi.

Suivre sur LinkedIn