Agentic commerce: is your catalog ready for AI shopping agents?
Summarize this article with AI
What is agentic commerce?
3 à 5 billions de dollars d’achats retail seront redirigés par des agents IA d’ici 2030, selon Gartner. Ce chiffre transforme une tendance en impératif stratégique pour tout e-commerçant.
L’agentic commerce désigne un modèle où des programmes autonomes — des agents d’achat IA — cherchent, comparent, négocient et achètent des produits pour le compte d’un consommateur. L’utilisateur définit un besoin (« une veste imperméable, taille M, livrée en 48h, budget max 150€ ») et l’agent gère tout le parcours.
Ce qui relevait de la science-fiction est maintenant opérationnel :
- ChatGPT Shopping est actif sur Etsy, Amazon et des centaines de marketplaces — l’utilisateur décrit ce qu’il cherche, l’agent affiche des recommandations produits avec prix et avis
- Microsoft Copilot Checkout intègre Shopify, PayPal et Stripe pour finaliser l’achat directement dans l’interface conversationnelle
- Perplexity Shopping propose un comparateur augmenté qui synthétise listings, avis et conditions de livraison en une seule réponse
Selon une étude Shopify Enterprise (2026), la majorité des catalogues e-commerce restent invisibles à ces agents. Raison : les fiches produits sont conçues pour des yeux humains, pas pour des algorithmes de raisonnement.
L’IA dans le commerce ? Plus une tendance — un fait. Voici comment les consommateurs utilisent déjà les outils d’IA générative sur l’ensemble du parcours d’achat.
Répartition des usages IA dans le parcours d'achat
Comment 73% des acheteurs en ligne utilisent l'IA générative
Why do 73% of shoppers already use AI in their buying journey?
Adoption déjà massive. 73 % des acheteurs en ligne utilisent au moins un outil d’IA générative pendant leur parcours d’achat (Salesforce, State of Commerce 2026).
Répartition des usages :
- 45 % pour générer des idées produit (« Quel cadeau pour un randonneur débutant ? »)
- 37 % pour obtenir une synthèse d’avis clients en une phrase
- 32 % pour comparer les prix entre plusieurs sites
- 28 % pour vérifier disponibilité et délais de livraison
Zero-click commerce : achat direct dans le LLM
Le modèle glisse vers le zero-click commerce : l’achat se finalise dans l’interface de l’agent, sans que le consommateur visite le site marchand. Copilot Checkout l’illustre : sélection produit, choix de la taille, paiement, confirmation — le tout en 3 échanges conversationnels.
Conséquence directe : 70 % des consommateurs se sentent à l’aise à l’idée qu’un agent finalise un achat à leur place (McKinsey, Consumer Pulse Q1 2026). La confiance dans l’IA transactionnelle s’installe.
Pour les marques, la question devient simple : votre catalogue sera-t-il celui que l’agent recommande, ou celui qu’il ignore ?
How do AI agents read your catalog?
Un agent d’achat IA ne fonctionne pas comme un moteur de recherche classique. Il raisonne sur la donnée au lieu de simplement indexer des mots-clés. Pour raisonner, il lui faut de la donnée structurée, explicite, complète.
Schema.org : le langage commun des agents
Les agents s’appuient sur le balisage Schema.org pour comprendre vos fiches produit. Trois schémas essentiels :
- Product : nom, description, marque, SKU, image, catégorie
- Offer : prix, devise, disponibilité, conditions de livraison, statut stock
- AggregateRating : note moyenne, nombre d’avis, répartition des étoiles
L’agent fait matcher ces données avec la requête de l’utilisateur. Si votre fiche manque d’un attribut — matière, délai de livraison — l’agent privilégie le concurrent qui fournit l’info.
Fiches structurées vs contenu libre
Le pattern le plus fréquent dans les catalogues e-commerce : des descriptifs produit riches en rédactionnel éditorial, mais pauvres en données structurées. Un agent IA préfère un attribut « material: coton bio certifié GOTS » à un paragraphe de 200 mots qui mentionne le coton en passant.
Le score Agent-Readiness 5 axes
Nous avons développé un framework propriétaire : le score Agent-Readiness. Il mesure la capacité d’un catalogue à être lu, compris, recommandé par un agent IA. Le score repose sur 5 axes :
- Intelligibilité (20 pts) : clarté de la structure HTML, hiérarchie Hn, balisage sémantique
- Attributs produit (25 pts) : complétude des attributs standardisés (taille, couleur, matière, poids)
- Information produit (20 pts) : description unique, FAQ, guides des tailles, specs techniques
- Catégorisation (15 pts) : arborescence logique, fil d’Ariane, ProductGroup
- Données transactionnelles (20 pts) : prix, stock, expédition, retours, modes de paiement en schéma Offer
La plupart des sites e-commerce exploitent moins de la moitié du potentiel de leur donnée structurée, selon Shopify et Search Engine Land (2026). L’opportunité est réelle pour les marques qui structurent leur catalogue en premier.
What are the 7 actions to become agent-ready?
Chaque action cible un axe de l’Agent-Readiness Score. Ensemble, elles transforment un catalogue passif en catalogue que les agents IA recommandent activement.
Every product listing must include Product markup with at minimum: name, description, image, brand, sku, gtin (EAN/UPC), category. AI agents use these fields to uniquely identify your product. A product with GTIN is identified 3.4x faster than a product with a name alone.
Size, color, material, weight, dimensions: these attributes must appear in the additionalProperty markup (PropertyValue). Use standardized values (ISO sizes, standard colors, SI units). An agent comparing products needs homogeneous data across sources.
Every product listing should include 3 to 5 Q&A pairs marked up in FAQPage. Agents extract these FAQs to answer specific user questions: « Is this jacket suitable for heavy rain? ». On our optimized sites, product FAQs generate +27% rich impressions.
Agents heavily weigh social proof. AggregateRating markup with ratingValue, reviewCount, and bestRating allows the agent to instantly compare your product against competitors. Individual reviews in Review schema enrich the summary the agent presents to the user.
The Offer markup is the backbone of transactional readiness. Include: price, priceCurrency, availability (InStock/OutOfStock), deliveryLeadTime, shippingDetails, hasMerchantReturnPolicy. An agent with all transactional data can recommend your product with confidence.
Multimodal agents (GPT-4o, Gemini) analyze images. Use high-definition images (min. 1200px wide) with alt text that describes the product precisely: « Men’s navy blue waterproof jacket – front view – adjustable hood ». Each variant (color, angle) deserves its own marked-up image.
The llms.txt file at the root of your site tells LLMs which pages are priorities and how to interpret your catalog. Complément it with a dedicated XML sitemap that lists your product pages with lastmod and priority. Agents follow these directives to prioritize their crawl.
Example llms.txt structure:
> Catalog of 2,400 outdoor products
## Product listings
– /products/ : complete index
– /sitemap-products.xml : products sitemap
## Main catégories
– /catégorie/manteaux/
– /catégorie/chaussures/
– /catégorie/accessoires/
Mars 2026 : Google redistribue les cartes. Les critères récompensés — données originales, expertise prouvée, expérience rapide — recoupent exactement ceux des agents IA. Impact mesurable sur la visibilité organique.
Impact Google March 2026 : gagnants vs perdants
Visibilité organique avant/après pour contenus originaux et affiliés génériques
What is the impact of the Google March 2026 Core Update on agentic commerce?
La mise à jour Google de mars 2026 a redistribué les cartes. Les signaux qu’elle récompense recoupent exactement les critères des agents IA : données originales, expertise prouvée, expérience utilisateur rapide.
Les gagnants : données originales et expertise
Les sites publiant des données originales (tests produits, benchmarks, photos propriétaires) ont gagné en moyenne +22 % de visibilité sur les requêtes commerciales. Les agents IA privilégient aussi les sources à l’expertise vérifiable — exactement ce que Google récompense désormais.
Les perdants : affiliation et contenu générique
Les sites d’affiliation à faible valeur ajoutée ont subi un impact de –71 % sur la visibilité organique. Le contenu généré par IA publié tel quel, présent sur nombre de sites, est maintenant systématiquement déclassé. Seul le contenu expert, enrichi de données propriétaires, conserve ses positions.
Performance technique : le LCP critique
La mise à jour renforce le poids des Core Web Vitals. Les sites avec un LCP supérieur à 3 secondes ont perdu en moyenne –23 % de trafic. Pour un agent IA, la vitesse de crawl compte aussi : un site lent coûte cher à analyser, donc il est déprioritisé.
La convergence saute aux yeux : ce que Google valorise en 2026, les agents IA l’exigent déjà. Optimiser pour l’agentic commerce, c’est optimiser pour Google en même temps.
Avant de mesurer techniquement, posez-vous ces questions. Ce radar vous donne une première indication visuelle de vos forces et faiblesses face aux agents IA.
Auto-diagnostic : votre catalogue est-il agent-ready ?
Évaluez votre maturité sur les 5 axes critiques de l'Agent-Readiness Score
How to measure your agent-readiness score?
Mesurer avant d’optimiser : c’est la méthode qui génère les meilleurs résultats. The 5-axis Agent-Readiness Score fournit un diagnostic précis de votre catalogue.
Les 5 modules d’analyse
Chaque module évalue un axe du score :
- Module Intelligibilité : structure HTML, hiérarchie des titres, balises ARIA, lisibilité DOM par un agent
- Module Attributs : complétude PropertyValue dans le markup Product — comparaison avec les standards sectoriels
- Module Information : unicité des descriptions, présence FAQ, guides tailles, specs techniques
- Module Catégorisation : arborescence, breadcrumbs, cohérence ProductGroup, couverture sitemap
- Module Transaction : complétude Offer (prix, stock, livraison, retour, paiement)
Les zones les moins exploitées
Selon les études publiées par Shopify et Search Engine Land en 2026, les lacunes les plus fréquentes dans les catalogues e-commerce :
- Attributs produit : rarement standardisés en données structurées (taille, couleur, matière restent en texte libre)
- Données transactionnelles : le prix est là, mais conditions de livraison et retour absentes du schema Offer
- FAQ produit : très peu de fiches incluent FAQPage schema, alors que c’est le format le plus cité par les LLMs
- ProductGroup : quasi absent, même sur les catalogues à variantes (taille/couleur)
Imaginons un site à 2 000 produits : si les attributs sont en texte libre et les FAQ absentes, un agent IA ne peut comparer objectivement qu’une fraction du catalogue. Le reste ? Invisible.
Outils pour auditer votre markup
- Google Rich Results Test : valide vos données structurées et prévisualise les rich snippets
- Schema Markup Validator (schema.org) : analyse complète de tous les types Schema présents sur une page
- Screaming Frog : crawl à grande échelle pour vérifier la couverture Schema sur tout le catalogue
- Google Search Console : rapport Enhancements pour suivre les erreurs de markup dans le temps
Measure your Agent-Readiness Score
Free audit of your catalog: Schema.org markup, product attributes, transactional data. Results in 48h.
Book a free auditFrequently asked questions about le commerce agentique
What exactly is an AI shopping agent?
An AI shopping agent is an autonomous program that acts on behalf of a consumer: it searches for products, compares prices, reads reviews, checks availability, and can finalize a transaction. It relies on structured data (Schema.org) and product feeds to make decisions.
Is my WooCommerce site compatible with agentic commerce?
WooCommerce generates basic Product markup, but detailed attributes (materials, standardized sizes, AggregateRating) are often missing. A comprehensive Schema.org audit identifiés the gaps and achieves a high agent-readiness score.
Is a specific budget required to become agent-ready?
The 7 priority actions primarily rely on optimizing existing data: Schema.org enrichment, attribute normalization, llms.txt file creation. The investment is a structural effort rather than a media cost.
What is the difference between GEO and agentic commerce?
GEO (Generative Engine Optimization) optimizes your visibility in LLM responses. Agentic commerce goes further: the AI agent complètes the entire purchase. GEO is a foundational building block of agentic commerce — mastering GEO is the first step toward an agent-ready catalog.
Do AI agents respect robots.txt?
Major agents (GPTBot, ClaudeBot, PerplexityBot) respect robots.txt. The llms.txt file compléments this approach by indicating to LLMs which pages are priorities and how to interpret your catalog.
How long before seeing results after optimization?
Structured data is indexed within 2 to 4 weeks by Google. LLMs update their sources more quickly. The first qualified traffic gains typically appear within the first month after implementation.
Does agentic commerce only apply to B2C?
B2B is equally concerned. AI procurement agents already automate supplier comparison, stock verification, and price negotiation. B2B catalogs structured with Schema.org Product gain a measurable competitive advantage.
Where do e-commerce merchants stand on agent-readiness?
According to Shopify and Search Engine Land studies (2026), most e-commerce catalogs leverage less than half the potential of their structured data. Product attributes and transactional data are the two most underutilized areas. Brands that structure their catalog first gain a measurable lead.
