# Les géants de la distribution, derniers en lisibilité IA > Nous avons noté 984 catalogues industriels, puis remesuré 25 grands noms en direct. Leur médiane est de 40, contre 50 pour le marché. Le tableau complet. **Language:** fr **Published:** 2026-08-13 **Category:** Research · **Tags:** AI visibility, benchmark, industrial distribution, robots.txt, structured data, GEO **Canonical:** https://partsgraph.ai/fr/blog/biggest-distributors-worst-ai-readability ## En bref **Quels scores obtiennent les plus grands distributeurs et fabricants industriels lorsqu'on mesure la capacité des assistants IA à lire leurs catalogues produits ?** Moins bien que le marché qu'ils dominent. Sur 984 catalogues industriels notés, le score médian est de 50 sur 100. En remesurant 25 grands noms en direct le 13 août 2026, la médiane tombe à 40, et 15 des 25 passent sous la médiane de la cohorte. RS Components obtient 35, Farnell 33, Mouser 34, Grainger 34, ABB 34 et Zoro 31, tandis que le meilleur score de toute la cohorte — 80 — revient à un petit distributeur spécialisé dont personne n'a entendu parler en dehors de sa niche. La taille apparaît ici comme un handicap plutôt que comme un avantage, car les grands parcs accumulent précisément ce qui bloque l'accès des machines : des règles anti-bots agressives à l'edge, des caractéristiques rendues en JavaScript et des pages catalogue qu'aucun crawler n'est autorisé à atteindre. --- L'Industrial AI Visibility Benchmark a mesuré 984 catalogues de fabricants et de distributeurs sur une seule question : un assistant IA peut-il réellement récupérer une caractéristique produit sur ce site ? Le score médian s'établissait à 50 sur 100. Ce chiffre a été publié sous forme anonymisée. Cet article ne l'est pas, car le constat le plus utile se cachait dans la distribution des scores. **Les entreprises les plus grandes et les plus connues de la distribution industrielle obtiennent un score inférieur à la médiane du marché qu'elles dominent.** Leur médiane est de 40. Quinze des vingt-cinq grands noms que nous avons remesurés passent sous le point médian de leur propre cohorte, et le meilleur score de l'ensemble des 984 — un 80 — revient à un petit distributeur spécialisé sans aucune notoriété hors de sa niche. ## Le tableau Mesures réalisées en direct le **13 août 2026**, et non reprises de la campagne de terrain précédente. Chaque chiffre ci-dessous peut être reproduit par n'importe qui à l'aide de [l'outil de diagnostic gratuit](https://partsgraph.ai/audit), y compris par les entreprises citées. | Entreprise | Domaine | Score | Note | |---|---|---|---| | Voltimum UK | voltimum.co.uk | 78 | B | | Rexel UK | rexel.co.uk | 66 | C | | Siemens | siemens.com | 65 | C | | Cromwell | cromwell.co.uk | 65 | C | | B&Q | diy.com | 65 | C | | Toolstation | toolstation.com | 60 | C | | Jewson | jewson.co.uk | 62 | C | | Reichelt | reichelt.de | 61 | C | | Legrand | legrand.com | 58 | C | | Screwfix Trade | screwfix.com | 50 | D | | Digi-Key | digikey.com | 49 | D | | HARTING | harting.com | 42 | D | | TE Connectivity | te.com | 40 | D | | Schneider Electric | se.com | 39 | F | | Festo | festo.com | 39 | F | | RS Components UK | uk.rs-online.com | 35 | F | | Würth | wurth.com | 34 | F | | Travis Perkins | travisperkins.co.uk | 34 | F | | Mouser | mouser.com | 34 | F | | ABB | abb.com | 34 | F | | Grainger | grainger.com | 34 | F | | Sonepar | sonepar.com | 34 | F | | Conrad | conrad.com | 34 | F | | Farnell UK | uk.farnell.com | 33 | F | | Zoro US | zoro.com | 31 | F | Médiane de ces 25 entreprises : **40**. Médiane de l'ensemble des 984 : **50**. Amplitude ici : de 31 à 78. ## Pourquoi nous avons remesuré avant de publier La campagne de mesure du benchmark s'est déroulée le 10 août. Publier un score nominatif vieux de trois jours aurait été négligent : chaque entreprise du tableau a donc été renotée le matin de la publication. **Vingt et une des vingt-cinq ont reproduit leur score à l'identique.** C'est un résultat rassurant pour l'instrument de mesure. Trois font exception : - **Rexel UK : 57 → 66.** Neuf points gagnés en trois jours. - **TE Connectivity : 53 → 40.** Une chute de treize points. - **Schneider Electric : 51 → 39.** Une chute de douze points. Il est peu probable que quiconque, dans ces entreprises, ait travaillé sur la lisibilité IA cette semaine-là. Une modification de règle à l'edge, une mise à jour de politique WAF, une configuration CDN déployée pour une raison sans rapport — n'importe laquelle de ces opérations peut déplacer le score de plus de dix points du jour au lendemain, dans un sens comme dans l'autre, sans que personne ne le remarque. Puis cela s'est reproduit pendant la rédaction de cet article. Un second passage, quelques heures après le premier, a constaté que **Toolstation était passé de 63 à 60** — une variation plus faible, mais survenue dans la même journée : le tableau ci-dessus porte le chiffre corrigé, et non celui rédigé le matin même. C'est l'enseignement le plus directement exploitable de cet article. **Votre lisibilité par les machines n'est pas une propriété que l'on corrige une fois pour toutes.** C'est une configuration vivante, qui dérive, et qui dérive en silence, parce que rien dans votre supervision ne la surveille. Quatre de ces vingt-cinq entreprises ont bougé en moins de soixante-douze heures, l'une d'elles en un seul après-midi, et l'on peut supposer sans risque que personne, chez elles, ne l'a su. ## Ce qui sépare réellement un 78 d'un 31 Les quatre éléments mesurés ne sont pas également difficiles à corriger, et l'écart entre le haut et le bas du classement tient rarement à une astuce particulière du mieux noté. ### Politique d'accès des crawlers — les points les moins chers à prendre La plupart des sites de la cohorte ont un robots.txt qui ne dit strictement rien des crawlers IA. Ce n'est pas de l'hostilité : c'est du silence, écrit avant que cette catégorie de client n'existe. Or le silence se traduit de plus en plus souvent par un refus, car le comportement prudent par défaut, pour un crawler confronté à une politique non formulée, consiste à rester dehors. Nommer explicitement les crawlers de moteurs de réponse que vous accueillez représente le travail d'un après-midi et c'est, pour presque toutes les entreprises du tableau, le changement au plus fort effet de levier. ### Accessibilité edge — là où les grands parcs perdent C'est ici que la taille nuit activement. Les solutions de bot management d'entreprise existent pour bloquer le scraping, le credential stuffing et la collecte de prix, et elles s'en acquittent bien. Par défaut, elles se méfient aussi de tout client qui ne ressemble pas à un navigateur — ce qui décrit exactement chaque crawler de moteur de réponse. Plusieurs des scores les plus bas de ce tableau ne relèvent pas du tout d'un problème de contenu. Le contenu est très bien. C'est simplement qu'un client non-navigateur ne l'atteint jamais. ### Lisibilité de la page — le piège JavaScript Si vos caractéristiques sont assemblées dans le navigateur par une application JavaScript, la plupart des crawlers ne voient qu'un conteneur vide. La donnée produit existe, elle est exacte, et elle est invisible. Ce qui règle le problème, ce sont des données structurées rendues côté serveur — un Schema.org `Product` doté de véritables attributs, et non d'un nom et d'un prix. ### Surfaces pour agents — là où quasiment personne n'a commencé Sur l'ensemble des 984 catalogues, **pas un seul n'exposait un point de terminaison qu'un agent puisse interroger directement.** Aucun serveur MCP, aucun flux lisible par la machine conçu pour la récupération d'information plutôt que pour un comparateur de prix. La barre n'est pourtant pas haute. C'est simplement que presque personne ne l'a franchie, ce qui en fait la différenciation la moins chère à la portée de qui bouge le premier. ## Ce que cette étude n'est pas Il vaut la peine d'énoncer les limites de la démonstration, car un benchmark qui se survend mérite le scepticisme qu'il suscite. Ce **n'est pas** une mesure de la qualité des catalogues. Plusieurs entreprises mal notées disposent d'excellentes données produit. Le problème est l'accès, pas l'exactitude. Ce **n'est pas** affirmer qu'une marque mal notée est absente des réponses de l'IA. Les grandes marques sont abondamment décrites sur le web, et un assistant en parlera volontiers à partir de sources tierces. Le risque est plus précis : l'assistant répond à une question technique sur votre produit en s'appuyant sur les données d'un distributeur, sur une page ancienne conservée en cache ou sur le tableau comparatif d'un concurrent — et c'est eux qu'il cite, pas vous. Ce **n'est pas** un classement figé. Comme trois entreprises l'ont démontré en trois jours, ces scores bougent. Et ce **n'est pas** une accusation. Rien dans ce tableau ne résulte d'une décision mal prise. C'est le résidu accumulé de choix individuellement raisonnables — bloquer les scrapers, faire le rendu côté client, livrer la SPA — arrêtés avant l'arrivée d'un nouveau type de lecteur. ## Si vous figurez dans le tableau Lancez [l'outil de diagnostic](https://partsgraph.ai/audit) sur votre propre domaine. Le détail indique laquelle des quatre sondes a échoué et pourquoi exactement ; c'est gratuit et sans inscription, parce qu'un argument que vous pouvez vérifier vous-même vaut mieux qu'un argument qu'il faut croire sur parole. Si vous pensez que le résultat est faux — une vitrine régionale mal identifiée, une redirection géographique mal suivie, une limitation de débit déclenchée — dites-le-nous. Nous relancerons la mesure et corrigerons publiquement le résultat. Nous l'avons déjà fait. Une mesure sur laquelle personne n'accepte d'avoir tort en public n'est pas une mesure : c'est du marketing. ## Méthode Chaque site est sondé comme le ferait un crawler IA. Nous récupérons la page d'accueil et le robots.txt, nous résolvons le catalogue via le sitemap, puis nous échantillonnons des pages produit avec un client non-navigateur standard. Quatre dimensions sont notées : la politique d'accès des crawlers, l'accessibilité pour les machines à l'edge, la lisibilité de la page pour les machines et les surfaces pour agents. Rien de ce qui se trouve derrière une authentification n'est touché, aucune limitation de débit n'est délibérément dépassée, et un site qui nous bloque est enregistré comme bloquant plutôt que réessayé sous un déguisement — le blocage est le constat. L'ensemble de la cohorte de 984 reste publié sous forme anonymisée dans [l'Industrial AI Visibility Benchmark 2026](https://partsgraph.ai/research/ai-visibility-benchmark-2026). Les 25 entreprises nommées ici le sont parce qu'elles sont grandes, cotées en bourse ou largement connues, parce que la mesure est reproductible par n'importe qui, et parce que le constat est nettement plus utile avec les noms qu'en leur absence. ## Questions fréquentes ### Comment ces scores ont-ils été mesurés ? Chaque site est sondé comme le ferait un crawler IA : nous lisons la page d'accueil, le robots.txt et un échantillon de pages catalogue avec un client non-navigateur standard, puis nous notons quatre éléments — la politique d'accès des crawlers nomme-t-elle les agents IA, les clients non-navigateurs franchissent-ils seulement la couche edge, les caractéristiques produit figurent-elles dans des données structurées rendues côté serveur ou sont-elles prisonnières du JavaScript, et le catalogue est-il repérable et accessible. Aucune connexion, aucun crawl derrière une authentification, rien qu'un moteur de recherche ne tenterait pas lui aussi. L'outil de diagnostic est le même, gratuit et public : tout chiffre publié ici peut donc être reproduit par l'entreprise qu'il décrit. ### Un score faible équivaut-il à être invisible pour ChatGPT ? Non, et la nuance mérite d'être posée. Un score faible signifie qu'un assistant doit fournir davantage d'efforts pour récupérer des caractéristiques exactes sur votre site, et qu'il est plus susceptible de se rabattre sur un distributeur, une fiche de place de marché ou une description ancienne conservée en cache. Cela ne veut pas dire que votre marque n'apparaît jamais. Le risque concret est plus subtil que l'invisibilité : l'assistant répond à une question technique sur votre produit à partir des données de quelqu'un d'autre, et c'est cette source qu'il cite. ### Pourquoi les grandes entreprises feraient-elles moins bien que les petites ? Trois raisons qui se cumulent, toutes conséquences de la taille et non de la négligence. Les grands parcs placent une couche de bot management à l'edge, et la posture par défaut de ces produits consiste à refuser les clients inconnus — ce qui inclut désormais les crawlers des moteurs de réponse. Les grands catalogues sont généralement rendus par une application JavaScript, et la plupart des crawlers n'exécutent pas JavaScript. Enfin, les grands sites accumulent, au fil des années, des règles robots.txt écrites pour arrêter les scrapers et les robots de veille tarifaire, et jamais réexaminées à l'arrivée d'une nouvelle catégorie de crawler légitime. Rien de tout cela n'est une erreur commise volontairement. C'est une dérive. ### Les scores de votre benchmark d'août diffèrent de ceux-ci. Pourquoi ? Parce que nous avons remesuré le jour même de la publication plutôt que de réutiliser les relevés de terrain. Sur les 25 entreprises nommées ici, 21 ont reproduit exactement leur score précédent. Trois ont bougé de plus de trois points en trois jours : Rexel UK est passé de 57 à 66, TE Connectivity est tombé de 53 à 40, Schneider Electric de 51 à 39. Cette volatilité est en elle-même un constat — une seule modification de configuration à l'edge peut déplacer un score de plus de dix points du jour au lendemain, et c'est pourquoi un audit ponctuel a une durée de vie très courte. ### Notre score nous semble faux. Que faire ? Lancez vous-même l'outil de diagnostic et lisez le détail : il indique précisément quelle sonde a échoué et pourquoi. Si vous estimez qu'il s'agit d'un faux négatif — une vitrine régionale mal identifiée, une redirection géographique que nous avons mal suivie, une limitation de débit que nous avons déclenchée — dites-le-nous : nous relancerons la mesure et corrigerons le résultat. Nous l'avons déjà fait et nous le referons. Cette mesure ne mérite d'être publiée que si nous acceptons d'avoir tort à son sujet en public. ### N'est-ce pas simplement du SEO sous un nouveau nom ? Il y a recoupement, mais ce n'est pas le même problème. Le SEO classique optimise pour une liste ordonnée de liens qu'un humain va cliquer. Ce que nous mesurons ici, c'est la capacité d'une machine à récupérer un fait technique précis — un courant assigné, un indice de protection, un pas de filetage — et à le restituer assez fidèlement pour vous citer. Un site peut très bien se positionner et rester illisible en ce sens : c'est exactement ce que démontrent plusieurs entreprises du tableau ci-dessous. ## Sources 1. [The Industrial AI Visibility Benchmark 2026 — 984 graded catalogues](https://partsgraph.ai/research/ai-visibility-benchmark-2026) 2. [Partsgraph grader — free, no signup, reproduces any figure in this article](https://partsgraph.ai/audit) ## Other languages - English: https://partsgraph.ai/blog/biggest-distributors-worst-ai-readability/md - Deutsch: https://partsgraph.ai/de/blog/biggest-distributors-worst-ai-readability/md - Español: https://partsgraph.ai/es/blog/biggest-distributors-worst-ai-readability/md - Italiano: https://partsgraph.ai/it/blog/biggest-distributors-worst-ai-readability/md - Nederlands: https://partsgraph.ai/nl/blog/biggest-distributors-worst-ai-readability/md - Polski: https://partsgraph.ai/pl/blog/biggest-distributors-worst-ai-readability/md - Português: https://partsgraph.ai/pt/blog/biggest-distributors-worst-ai-readability/md - Svenska: https://partsgraph.ai/sv/blog/biggest-distributors-worst-ai-readability/md - Türkçe: https://partsgraph.ai/tr/blog/biggest-distributors-worst-ai-readability/md - 日本語: https://partsgraph.ai/ja/blog/biggest-distributors-worst-ai-readability/md - 한국어: https://partsgraph.ai/ko/blog/biggest-distributors-worst-ai-readability/md - 简体中文: https://partsgraph.ai/zh/blog/biggest-distributors-worst-ai-readability/md --- Partsgraph — the agent-ready parts data layer. Free AI-visibility grader: https://partsgraph.ai/fr/audit