Un modèle opérationnel pour combiner Search Console, Merchant Center, analytics first-party, contrôles manuels et expériences de données produit.
La visibilité AI Shopping n'est plus un sujet abstrait pour les équipes ecommerce. Un produit peut être cité dans Google AI Mode, AI Overviews, Gemini, ChatGPT Search, Copilot, un assistant de marketplace ou une expérience retail media. Le vrai problème est que chaque surface donne un niveau de preuve différent. Certaines disposent désormais de rapports officiels. D'autres ne laissent que des indices indirects dans les referrals, la recherche de marque, le comportement sur les PDP et les enquêtes après achat.
Un bon modèle de mesure sépare donc les preuves fortes des signaux directionnels. Search Console, Merchant Center, les analytics first-party et les contrôles manuels ne répondent pas à la même question. Leur valeur apparaît quand l'équipe les lit ensemble et relie chaque revue de visibilité à une expérience concrète sur les données produit ou le contenu.
La première couche est l'éligibilité technique. Les pages doivent être crawlables, indexables, éligibles aux snippets, liées en interne et riches en informations produit visibles. Google Search Central explique que les fondamentaux SEO restent valables pour AI Overviews et AI Mode. Il n'est pas nécessaire de créer un fichier spécial pour l'IA ou un schema réservé à ces surfaces.
La deuxième couche est Search Console. En juin 2026, Google a introduit les rapports Generative AI performance pour une partie des propriétés. Le rapport Search montre les impressions dans les fonctionnalités génératives de Google Search, dont AI Overviews et AI Mode, avec des dimensions comme page, pays, appareil et date. C'est une couche de visibilité, pas un système complet d'attribution ecommerce.
La troisième couche est Merchant Center. Le 27 mai 2026, Google a annoncé des AI performance insights pour les expériences shopping alimentées par l'IA. Le rapport couvre share of voice, shopping funnel performance, product term insights et product attribute insights. Le déploiement commence par les États-Unis, le Canada, l'Australie, l'Inde et la Nouvelle-Zélande.
La quatrième couche est l'analytics first-party. Le marchand contrôle source, medium, referrer, landing page, page produit, add-to-cart, checkout start, commande, devise, marché, appareil, visite de retour et enquête après achat. Une découverte assistée par l'IA peut apparaître comme direct, recherche de marque, referral générique ou retour ultérieur. Cette couche sert donc surtout à comparer des cohortes et des comportements.
La cinquième couche est l'échantillonnage manuel. L'équipe doit garder un set de prompts stable pour les produits importants : intention de catégorie, problème à résoudre, comparaison, budget, compatibilité, livraison et retour. Le résultat n'est pas un tracking de rang parfait, mais il révèle les attributs manquants, les PDP trop faibles, les lacunes de politique commerciale et les écarts entre ce que l'IA dit et ce que le site DTC affiche.
La sixième couche est la donnée produit structurée. Product JSON-LD, attributs Merchant Center, texte visible sur PDP, images, prix, stock, livraison et retours doivent décrire la même offre. La documentation Product structured data de Google montre comment les données structurées peuvent rendre les détails produit éligibles à des résultats Search plus riches. Les AI insights de Merchant Center insistent aussi sur la complétude des attributs.
La septième couche est le journal d'expériences. Sans journal, la revue de visibilité devient une discussion d'opinions. Il faut noter le périmètre produit, la date, les champs changés, les pages changées, le signal attendu et la fenêtre d'observation. Par exemple : ajout de matières et de compatibilités à vingt produits le 12 juin, puis comparaison deux semaines plus tard des impressions génératives, des gaps Merchant Center, des notes de prompts manuels et de l'engagement PDP.
Le rapport Performance standard reste la base large du Web search. Le rapport Generative AI, lorsqu'il est disponible, permet d'isoler les impressions de certaines fonctionnalités génératives. Le premier geste est donc de vérifier si la propriété y a accès. Si le rapport n'apparaît pas, l'équipe documente ce manque et continue avec les tendances Web search, les pages de destination et les familles de requêtes.
La limite principale est simple : le rapport mesure surtout les impressions. Il ne restitue pas tous les prompts, toutes les sessions, tous les clics ni tout le chiffre d'affaires. Les expériences Search Labs sont exclues et les limites normales de Search Console restent en place. La question hebdomadaire n'est pas de tout attribuer, mais de voir si les pages critiques gagnent ou perdent de la visibilité dans les surfaces prises en charge, et si ce mouvement correspond aux changements de données produit ou de contenu.
Merchant Center compte parce que la découverte shopping dépend souvent de la clarté des faits produit. Product term insights peut montrer le vocabulaire utilisé par les acheteurs. Product attribute insights peut faire ressortir des informations absentes : couleur, matière, style, taille, compatibilité, livraison ou retours.
La priorité doit suivre la valeur business. Commencez par les produits à fort revenu, les catégories à forte marge, les produits qui ont déjà une demande Search et les pages où les attributs renforcent la confiance d'achat. Si les AI insights ne sont pas encore accessibles, utilisez diagnostics, feed status, approval status, couverture d'attributs, qualité title-description, configuration shipping-return et cohérence de landing page comme signaux proxy.
Les rapports externes expliquent rarement ce qui se passe après le clic. Les analytics first-party doivent conserver source, medium, referrer, landing page, PDP, add-to-cart, checkout start, commande, device, marché, visite de retour et enquête après achat. Une découverte via l'IA peut revenir plus tard sous forme de direct ou de recherche de marque.
Foundax regroupe storefront analytics, breakdown par source, analyse page et funnel, product analytics et sessions liées aux commandes. L'équipe peut comparer le comportement des visiteurs venant de referrals proches de l'IA, de recherches de marque, de pages de contenu, de PDP et de retours directs. La vraie question est de savoir si les visiteurs trouvent des faits produit clairs et avancent vers le panier et le checkout.
Les contrôles manuels doivent être menés comme une recherche qualitative. Gardez le même set de prompts, le même marché et la même langue lorsque c'est possible. Notez si la marque apparaît, si le produit apparaît, quels attributs sont cités, quels liens source sont montrés et quels faits sont faux ou absents.
Une expérience solide a une famille produit, un problème d'acheteur, un groupe de champs et une fenêtre de revue. Avant le changement, capturez Search Console, Merchant Center, engagement PDP et notes de prompts. Après le changement, relisez les mêmes couches. Plusieurs signaux dans la même direction sont plus utiles qu'un seul graphique isolé.
Foundax est utile ici parce que les entrées contrôlables vivent dans un même workflow : product records, SEO metadata, Product JSON-LD preview, sitemap, vérification Search Console, soumission de sitemap, Merchant Center preflight, contenu multilingue, Content Studio publishing et analytics first-party. La visibilité AI Shopping dépend rarement d'un seul champ. Elle dépend de la cohérence entre page, structured data, feed-page alignment, contenu de politique commerciale et comportement après le clic.
Le workflow pratique est le suivant : choisir un product set, nettoyer les faits produit, publier PDP et contenu de support, valider structured data et Google workflows, soumettre le sitemap si nécessaire, puis suivre Search Console, Merchant Center et le comportement first-party.
Oui, lorsque la propriété a accès au rapport Generative AI performance. Sinon, le rapport Performance standard reste la base Web search.
Google décrit un déploiement progressif dans certains pays. Sans accès, diagnostics, feed health, approval status et attribute completeness restent des signaux utiles.
Ils sont surtout utiles pour comparer cohortes, landing pages, comportement PDP, mouvement dans le funnel, visites de retour et réponses d'enquête.
Une revue hebdomadaire suffit pour les product sets actifs. Le suivi quotidien est surtout utile pendant un lancement, une migration, un problème de feed ou une grande expérience.
Commencez par les attributs qui influencent la confiance d'achat : matière, taille, compatibilité, prix, disponibilité, livraison, retours, entretien, cas d'usage et FAQ PDP.