Optimiser pour les IA : la boîte à outils grossit, la preuve de résultat non

Le paradoxe de mesure : investir sans pouvoir piloter

Depuis un an, les recommandations GEO (Generative Engine Optimization) se multiplient à destination des équipes e-commerce et des agences. Fichiers markdown dédiés aux LLMsLarge Language Model : modèle de langage entraîné sur d’énormes corpus pour prédire et générer du texte., schema markup enrichi, feeds structurés, inscription aux programmes Merchant des plateformes IA — chaque levier est présenté comme un passage obligé.

Le problème : aucune de ces prescriptions ne s'accompagne d'une preuve transversale de résultat.

La visibilité dans un moteur génératif est fondamentalement binaire. Comme le formule ShopVision, un LLM « ne renvoie pas une liste de dix liens bleus » mais « une à trois recommandations, souvent avec une courte justification pour chacune ». Soit le produit figure dans la réponse, soit il n'existe pas. Cette binarité rend la promesse tentante — être cité, c'est tout gagner — mais elle rend aussi la mesure du ROI quasi impossible.

Les outils de suivi GEO fiables n'existent pas encore à l'échelle, et les playbooks prescrivent des actions (llms.txt, schema enrichi, feeds structurés) sans jamais poser la question du temps de développement investi face à un gain non mesurable.

Pour les équipes dont le budget dev est compté, c'est un vrai problème de coût d'opportunité. Chaque heure passée à formater un feed pour un programme Merchant ou à implémenter un fichier markdown est une heure retirée à l'optimisation SEO classique — dont les résultats, eux, restent traçables.

Markdown pour LLMs : le test Mueller

L'idée de servir des fichiers markdown aux crawlers IA repose sur un postulat simple : en fournissant du contenu débarrassé du HTML, du JavaScript et du CSS, nous facilitons l'ingestion par les LLMs. La motivation affichée est d'obtenir un avantage de visibilité sur les surfaces de recherche IA.

John Mueller (Google) a partagé sur Reddit son expérience personnelle après avoir mis en place ce dispositif sur ses sites de test. Son constat, formulé précisément : les seuls crawlers qui déclarent accepter le markdown sont des outils SEO. La mesure porte sur l'en-tête Accept — ce que les bots annoncent consommer — et aucun bot IA majeur n'y figure.

Mueller note aussi un obstacle pratique : les configurations serveur qu'il utilise ne journalisent pas l'en-tête Accept, ce qui oblige à mettre en place un logging spécifique pour simplement vérifier si quelqu'un demande du markdown. Son conseil : commencer par mesurer avant d'implémenter.

Pourquoi les LLMs n'ont pas besoin de markdown

L'article de Search Engine Journal pose une analogie parlante : les fichiers markdown pour LLMs ressemblent aux balises meta keywords d'antan. Les moteurs génératifs et les LLMs maîtrisent déjà parfaitement le crawlExploration automatisée des URLs par un robot (Googlebot, etc.) pour découvrir et mettre à jour l’index. et l'indexationInclusion d’une URL dans l’index d’un moteur, condition nécessaire (mais non suffisante) pour ranker. du HTML — c'est un problème résolu depuis plus de trente ans.

Pire, il est dans leur intérêt de télécharger ce que les utilisateurs voient réellement, pas un contenu spécial fabriqué pour les machines, car ce contenu dédié n'est pas fiable : rien n'empêche d'y injecter des informations absentes de la page visible.

Cloudflare, de son côté, considère que le markdown est en passe de devenir « la lingua franca des agents et des systèmes IA » et propose des services pour servir du markdown aux agents qui le demandent. Mais le test de Mueller suggère que cette demande reste, pour l'instant, théorique côté bots IA majeurs.

Pour celles et ceux qui suivent le sujet, nous avions déjà analysé les limites de ce type d'approche dans notre article sur llms.txt v2, qui concluait à l'absence de preuve d'amélioration des citations dans les moteurs IA.

Schema markup : un levier GEO quasi nul, un levier SEO moins prouvé qu'il n'y paraît

OtterlyAI a mené l'expérience du 7 décembre 2025 au 7 mars 2026, puis l'a publiée le 23 mars 2026. Le test porte sur sept plateformes — ChatGPT, Google AI Overviews, Google AI Mode, Perplexity, Microsoft Copilot, Gemini et Claude — et sur son propre site, un SaaSSoftware as a Service : logiciel livré en ligne par abonnement, multi-tenant en général. plutôt qu'un e-commerce. Les comportements de crawl évoluent vite : ces résultats ont six mois.

Cinq types de schema markup ont été implémentés sur des pages réelles, des requêtes directes ont été envoyées aux sept plateformes pour récupérer ces données structuréesVocabulaire de données structurées pour expliciter entités et contenus aux moteurs (souvent via JSON-LD)., et la couverture de marque a été suivie sur 319 promptsConsigne / contexte fourni au modèle pour orienter sa génération (system, user, exemples, outils). pendant 3 mois.

Ce que l'expérience révèle

6 plateformes IA sur 7 sont incapables de récupérer ou d'interpréter correctement le schema markup. Seul Gemini a renvoyé les données JSON-LD correctes.

Plus troublant encore : Google AI Mode a halluciné un type de schema « Service » qui n'existait pas sur la page testée.

La capacité de Gemini ne se traduit toutefois par aucun bénéfice mesuré : sur les pages testées, les citations Gemini reculent de 35 % sur la période. La seule plateforme qui sait lire le schema est aussi une de celles où sa présence ne change rien.

Le schema markup a été conçu pour des algorithmes incapables de traiter du texte non structuré. Les moteurs IA sont précisément construits pour faire l'inverse — comprendre du texte brut. C'est la raison fondamentale pour laquelle le schema n'a pas le même rôle en GEO qu'en SEO classique.

L'explication technique est plus prosaïque qu'une question de capacité. Les pipelines d'extraction utilisés en search IA convertissent le HTML en markdown avant de le passer au modèle, et ces pipelines ignorent ou suppriment les balises <script>. Le JSON-LD, qui vit précisément dans un <script type="application/ld+json">, disparaît donc avant même que le modèle ne voie la page.

Le rapprochement avec la section précédente s'impose : les bots IA consomment bel et bien du markdown — le leur, produit par leur propre conversion. C'est exactement cette conversion qui fait disparaître le schema. Servir ses propres fichiers markdown ne change rien à l'affaire, et annoter ses pages en JSON-LD ne survit pas au passage.

Le test décisif : une information qui n'existe que dans le schema

OtterlyAI a mené un troisième test, plus tranchant que les deux précédents. Une question et sa réponse ont été insérées dans un FAQ Schema, avec une information introuvable ailleurs sur le site comme sur le reste du web : le nombre d'employés OtterlyAI résidant au Portugal.

Aucune plateforme n'a utilisé le schema pour répondre — y compris lorsque le prompt pointait explicitement la page concernée. Si les moteurs IA lisaient réellement les données structurées, cette information leur était accessible et à elles seules. Elle ne l'était pas.

Là où le schema semble payer — et pourquoi le doute subsiste

Sur l'écosystème Google spécifiquement, les compteurs bougent : après 3 mois, OtterlyAI relève une hausse de +377 % des SERP features et de +1 500 % des AI Overviews à l'échelle du site.

Mais l'expérience comportait un garde-fou que peu d'études GEO mettent en place : le suivi simultané des marques concurrentes. Et ce contrôle change la lecture. Aucun concurrent n'avait implémenté de schema en décembre ; tous ont pourtant enregistré des mouvements de couverture de marque équivalents ou supérieurs sur la même période. OtterlyAI en tire une conclusion nette : la hausse de décembre est algorithmique, pas imputable au schema.

Le rebond de fin février touche lui aussi les marques concurrentes, ce qui pointe à nouveau vers un changement côté Google.

Il faut aussi distinguer deux métriques que la synthèse de l'étude a tendance à fondre en une seule. Le +1 500 % porte sur les apparitions en AI Overviews à l'échelle du site. Sur les seules pages où le schema a été implémenté, le suivi par plateforme donne un tableau plus contrasté :

Autrement dit : la seule progression nette se concentre sur l'écosystème Google, et même là, l'étude ne parvient pas à l'isoler du bruit algorithmique.

OtterlyAI précise par ailleurs que ses résultats sont spécifiques à un site SaaS et ne se transposent pas nécessairement à d'autres secteurs, notamment l'e-commerce où les schemas produit, prix et avis ont des comportements bien établis.

L'alternative selon OtterlyAI : les programmes Merchant

Pour les produits, OtterlyAI recommande de se tourner vers les programmes Merchant des plateformes IA — le ChatGPT Merchant Program et Perplexity Buy with Pro — plutôt que de miser sur le schema pour la visibilité IA. Leur thèse : l'avenir passe par l'achat de produits directement via l'IA, pas par l'annotation structurée des pages.

Trois écosystèmes, trois logiques, zéro transférabilité

La source ShopVision identifie trois écosystèmes shopping IA distincts, chacun avec son propre protocole et ses propres mécaniques de découverte :

Cette fragmentation est le fait structurant que la plupart des guides GEO mentionnent sans en tirer la conséquence : une optimisation qui fonctionne sur un écosystème ne se transfère pas aux autres. Le schema qui booste les AI Overviews Google n'est pas lu par ChatGPT. Le feed Merchant Center ne sert à rien sur Perplexity. Aucun bot IA majeur ne déclare accepter le fichier markdown.

Pour une équipe e-commerce, cela signifie potentiellement trois chantiers d'intégration distincts, avec trois formats, trois processus d'inscription et trois niveaux de maturité différents — sans outil unifié pour mesurer l'impact de chacun.

Les playbooks GEO : des prescriptions sans preuve d'impact

Plusieurs acteurs publient des guides complets de GEO e-commerce. ShopVision propose un playbook couvrant l'optimisation des PDP, les feeds produit, llms.txt et les protocoles agentic commerce. ShopOS détaille 8 bonnes pratiques GEO pour 2026, centrées sur la clarté du contenu, la force d'entité, les données structurées et les signaux de confiance. Salsify publie un guide pas-à-pas en 5 étapes (comprendre les priorités IA, organiser le contenu, établir l'autorité, etc.).

Ces guides partagent un socle commun de recommandations : contenu clair et structuré, schema markup, autorité de marque, avis tiers, présence multi-sources. Certaines de ces recommandations recoupent simplement les bonnes pratiques SEO existantes — ce qui n'est pas un reproche, mais relativise la nouveauté.

Ce que ces playbooks ne disent pas

Aucun de ces guides ne fournit de données d'impact mesurées sur la visibilité IA résultant de l'application de leurs recommandations. ShopVision reconnaît explicitement que les ventes réalisées via ces canaux ne peuvent pas encore être pleinement mesurées. Salsify mentionne la prédiction Gartner d'une baisse de 25 % du volume de recherche traditionnelle d'ici fin 2026, mais ne fournit pas de données sur le volume de recherche IA qui la remplacerait ni sur le taux de conversion associé.

ShopOS propose un audit GEO gratuit (« Big Head audit ») pour découvrir où une marque apparaît dans le search IA — ce qui confirme en creux que la visibilité IA n'est pas encore un indicateur que les équipes suivent de façon standard.

La question reste ouverte : ces playbooks décrivent-ils des pratiques qui améliorent réellement la visibilité IA, ou formalisent-ils des bonnes pratiques de contenu qui auraient de toute façon un effet positif, IA ou pas ?

Ce que la source ne couvre pas

Les sources mobilisées ici présentent chacune un levier isolé. Plusieurs angles restent absents :

• Aucune donnée de conversion IA : nous savons qu'un produit peut apparaître dans une réponse ChatGPT ou Perplexity, mais aucune source ne fournit de taux de clic ou de conversion depuis une citation IA vers un achat.
• Pas de comparatif des programmes Merchant : le ChatGPT Merchant Program, Perplexity Buy with Pro et Google Merchant Center sont mentionnés mais jamais testés ni évalués côte à côte.
• Pas de retour d'expérience e-commerce sur le schema : l'expérience OtterlyAI porte sur un site SaaS. Le comportement du schema produit, prix et avis sur les plateformes IA reste non documenté dans ces sources.
• Pas de coût d'implémentation chiffré : les playbooks listent des actions mais aucun n'estime le temps ou le budget nécessaire pour les mettre en œuvre.

Grille de lecture : chaque levier par niveau de preuve

Pour les équipes qui veulent suivre leur visibilité dans les réponses IA, nous avions détaillé dans notre article sur ce que les sites doivent montrer aux machines les signaux techniques qui comptent réellement côté crawl et identité.