Qu'est-ce qu'un catalogue produit prêt pour les agents ?

Que signifie réellement « prêt pour les agents » ?

Un catalogue produit est prêt pour les agents lorsqu'une machine peut le trouver, le lire, l'interroger et le citer correctement, sans qu'un humain pilote un navigateur.

C'est un test plus exigeant que « nous avons un bon site web », et l'échec y survient pour des raisons qui n'apparaissent jamais dans un rapport de performance de page. Un catalogue peut bien se positionner, bien convertir et paraître impeccable, tout en renvoyant un document vide au client que l'assistant IA utilise réellement. L'écart est structurel, pas cosmétique.

Et l'enjeu grandit chaque trimestre. En publiant les résultats de sa Buyers' Journey Survey en janvier 2026, Forrester indiquait que 94 % des acheteurs professionnels utilisent désormais l'IA dans leur processus d'achat, et que deux fois plus d'acheteurs désignaient l'IA générative ou la recherche conversationnelle comme leur source d'information la plus significative que n'importe quelle autre — devant les sites des fournisseurs, les experts produit et les commerciaux. Les spécifications qu'un assistant récite au sujet de votre produit sont de plus en plus celles auxquelles votre acheteur croit.

La confusion, dans la plupart des textes sur le sujet, vient de ce que « prêt pour les agents » est traité comme une seule chose. Ce sont quatre choses, avec quatre consommateurs différents.

Quels assistants consomment réellement quelle surface ?

1. Pages rendues côté serveur avec données structurées

C'est la seule surface qui atteigne un utilisateur d'assistant n'ayant rien configuré.

Le fait technique le plus important la concernant : les crawlers IA n'exécutent pas votre JavaScript. L'analyse des crawlers menée par Vercel — 569 millions de requêtes GPTBot et 370 millions de requêtes Claude en un seul mois — a établi que, si ces crawlers téléchargent bien des fichiers JavaScript (respectivement 11,50 % et 23,84 % des requêtes), ils ne les exécutent pas, et concluait qu'« aucun des principaux crawlers IA n'effectue actuellement le rendu de JavaScript », en citant OpenAI, Anthropic, Meta, ByteDance et Perplexity. Les tests indépendants menés tout au long de 2026 aboutissent au même verdict. Si votre tableau paramétrique, votre indicateur de stock ou votre liste de documents est injecté côté client, il n'existe pas pour ces clients. Googlebot, lui, effectue le rendu de JavaScript et reste l'exception : c'est précisément pour cela que les équipes qui vérifient leur visibilité dans Google concluent, à tort, que tout va bien.

La documentation de Google est d'une franchise appréciable sur le reste : pour apparaître dans AI Overviews ou AI Mode, « une page doit être indexée et pouvoir être affichée dans la recherche Google avec un extrait », et il n'existe aucun prérequis technique supplémentaire, aucun balisage spécifique à l'IA et aucun fichier particulier. Les données structurées gardent toute leur utilité, parce qu'elles lèvent l'ambiguïté entre le courant nominal et le courant de crête — mais c'est un outil de désambiguïsation, pas un déclencheur magique.

Enfin, la couche crawler comporte une dimension de politique d'accès que la plupart des catalogues ignorent. OpenAI documente trois agents distincts — GPTBot pour l'entraînement des modèles de fondation, OAI-SearchBot pour faire remonter les sites dans la recherche ChatGPT, et ChatGPT-User pour les récupérations déclenchées par un utilisateur. Anthropic documente ClaudeBot, Claude-User et Claude-SearchBot sur le même modèle. Ce sont des entrées robots.txt indépendantes. Une interdiction globale visant l'entraînement coupe aussi le crawler de récupération qui aurait pu vous citer.

2. Vues Markdown et texte clair

C'est la surface la plus survendue en 2026 : il faut donc en parler avec précision.

Aucun assistant grand public de premier plan ne publie de contrat de négociation de contenu du type « envoyez-moi Accept: text/markdown et je le préférerai ». La convention llms.txt est techniquement cohérente et connaît une adoption réelle sur les sites de documentation développeur, mais Google affirme sans détour qu'il n'est pas nécessaire de disposer de fichiers texte dédiés à l'IA pour apparaître dans ses fonctionnalités IA, et les travaux sur l'adoption menés tout au long de 2026 ont montré que les crawlers d'OpenAI, de Google et d'Anthropic ne demandent pas ce fichier dans des volumes significatifs.

Ce qui est réellement vrai est plus étroit, et vaut malgré tout la peine d'être fait. Le texte extrait d'une page chargée de navigation et de scripts est plus bruité qu'un texte servi sous forme de prose : les vues épurées résistent donc mieux à l'extraction. Et ce même rendu épuré est exactement ce que vos outils MCP devraient renvoyer comme charge utile. Construisez les vues Markdown comme un sous-produit réutilisable de la fiche canonique, et non comme une tactique de croissance : vous ne serez pas déçu.

3. Flux produit poussés

Voici le fait qui bouscule la plupart des feuilles de route : la surface achat de ChatGPT est alimentée par des données que les marchands poussent, et non par de l'exploration. Selon la spécification de flux publiée, les marchands livrent du TSV, du CSV, du XML ou du JSON vers un point de dépôt convenu d'un commun accord et inscrit sur liste d'autorisation, en HTTPS chiffré, et le système accepte des mises à jour toutes les 15 minutes. Le programme marchand de Perplexity fonctionne selon la même logique — des données produit fournies sous forme de fichiers CSV ou XML dans un format spécifié, livrés par le marchand. Aucune optimisation on-page ne remplace l'inscription au programme.

La réserve honnête, pour les catalogues industriels, est que ces schémas sont taillés pour le retail. Ils présupposent un GTIN, un prix catalogue et une variante achetable. Un distributeur qui gère 40 000 lignes, des tarifs contractuels propres à chaque client et aucun GTIN sur la moitié de sa gamme trouvera l'ajustement médiocre. Les flux ont une forte valeur là où vous vendez à un prix publié à un acheteur final identifiable, et n'ont guère de pertinence là où vous travaillez sur devis.

4. Un point d'accès MCP

MCP est la surface la plus fidèle et, aujourd'hui, celle dont l'audience est la plus étroite. La précision compte ici, car la portée varie fortement d'un assistant à l'autre :

• Claude prend en charge les connecteurs MCP distants personnalisés sur les formules Free, Pro, Max, Team et Enterprise, les utilisateurs gratuits étant limités à un seul connecteur. Le serveur doit être joignable depuis l'internet public, à partir des plages d'adresses IP d'Anthropic.
• ChatGPT expose les serveurs MCP personnalisés via son mode développeur ; les connecteurs personnalisés capables d'écriture sont réservés aux formules Business, Enterprise et Edu, tandis que les utilisateurs individuels Plus et Pro n'y ont accès qu'en lecture seule. L'Apps SDK, qui fait tourner les apps à l'intérieur de ChatGPT, repose lui-même sur MCP, et les soumissions passent par une revue d'annuaire.
• Gemini propose des connexions à des serveurs MCP personnalisés via Gemini Enterprise, où un administrateur enregistre votre serveur Streamable HTTP comme source de données au sein de son tenant. Ce n'est pas une fonctionnalité grand public.

La population atteignable se résume donc aux ingénieurs qui configurent un connecteur et aux acheteurs grands comptes dont la direction informatique enregistre votre serveur. Pour un fabricant de composants ou de produits du bâtiment, cela décrit remarquablement bien le prescripteur et l'équipe achats — mais ce n'est pas la longue traîne anonyme, et quiconque vous affirme qu'un point d'accès MCP suffit à lui seul à vous rendre « visible pour l'IA » a quelque chose à vous vendre.

Pourquoi un serveur MCP vide ne vaut-il rien ?

Parce qu'un appel d'outil est une promesse d'exactitude, et qu'une réponse fausse délivrée par un outil est pire que pas de réponse du tout.

Lorsqu'un assistant lit votre page web, il prend des précautions : le modèle sait qu'il résume un document. Lorsqu'il appelle get_part et reçoit {"rated_current_a": 32}, il n'en prend plus aucune. Il énonce la valeur. Si votre PIM contient 32 A pour la taille de boîtier et 25 A pour la variante précise, et que l'outil a résolu la mauvaise, vous n'avez pas amélioré votre visibilité IA — vous avez industrialisé une erreur de spécification et y avez attaché l'autorité de votre marque.

C'est pourquoi les serveurs MCP de pièces crédibles mis en production aujourd'hui reposent sur une couche de données vérifiée plutôt que sur un vernis protocolaire. Le serveur MCP public et gratuit de Microchip, lancé en novembre 2025, expose des spécifications produit vérifiées, des fiches techniques, les stocks, les prix et les délais d'approvisionnement via Streamable HTTP — l'annonce met l'accent sur des données vérifiées et à jour, pas sur le transport. Le serveur Storefront MCP de Shopify, joignable à l'adresse https://{shop}.myshopify.com/api/mcp, fonctionne parce qu'une boutique Shopify dispose déjà d'une fiche produit unique faisant autorité, aux champs typés.

Un point d'accès MCP placé devant trois tableurs qui se contredisent, un PIM qui a perdu ses unités et un dossier de PDF n'est qu'un moyen plus rapide de se tromper. L'ordre des travaux est le suivant : fiche canonique, vérification, puis protocole.

Le modèle de maturité « prêt pour les agents »

La plupart des organisations découvrent qu'elles sont au niveau 0 ou 1 alors qu'elles se croyaient au niveau 2. La question discriminante n'est pas « avons-nous des données structurées ? », mais « si deux systèmes divergent sur cet attribut, lequel a raison, et une machine peut-elle le déterminer ? ».

Comment savoir à quel niveau vous vous situez ?

Cinq vérifications, dans l'ordre, qui prennent chacune quelques minutes :

1. 01Récupérez une page produit avec un simple client non navigateur et lisez la réponse brute. Si les spécifications sont absentes du HTML, vous êtes au niveau 0, quelle que soit l'allure de la page dans un navigateur.
2. 02Lisez votre `robots.txt` comme un document de politique d'accès. Recensez chaque user agent IA que vous autorisez et que vous interdisez, et vérifiez que chaque ligne traduit une décision réelle entre entraînement et récupération.
3. 03Validez un bloc JSON-LD et confrontez chaque valeur à la page visible. Les incohérences sont pires que les omissions.
4. 04Choisissez dix références et posez à trois assistants une question factuelle dont vous connaissez parfaitement la bonne réponse. Notez les réponses fausses. Ce taux d'erreur est votre véritable point de départ.
5. 05Essayez de répondre à une question paramétrique à partir de vos propres données — toutes les références satisfaisant trois contraintes — en n'utilisant que ce qu'une machine peut atteindre. Si un humain doit ouvrir un PDF, un agent le devrait aussi, et il ne le fera pas.

Qu'avons-nous constaté sur 984 entreprises ?

En août 2026, nous avons audité 984 domaines de distributeurs et de fabricants dans le monde entier, en Amérique du Nord, en Europe et en Asie. Le tableau d'ensemble s'est révélé suffisamment homogène pour être dérangeant :

• Le score médian de visibilité IA se situait autour de 50 sur 100.
• 38 % ne servaient aucune page catalogue lisible à un client non navigateur standard.
• Seuls 19 % publiaient une politique d'accès explicite pour les crawlers IA, quelle qu'elle soit ; et parmi eux, plus de deux fois plus bloquaient un crawler majeur qu'ils ne l'invitaient.
• Aucun n'annonçait de point d'accès MCP.

La distribution compte davantage que la médiane. Ce qui séparait le décile supérieur du milieu de tableau n'était ni le budget ni les effectifs : c'était le fait de disposer d'une seule fiche produit canonique, ou de plusieurs fiches concurrentes. Tout le reste en découlait.

Que faut-il construire en premier ?

1. 01Établissez une fiche canonique unique par référence, avec des attributs typés, des unités, la provenance et un horodatage de dernière vérification. Tout ce qui suit n'en est qu'une projection.
2. 02Faites rendre le catalogue côté serveur afin que la spécification complète soit présente dans la réponse HTML initiale.
3. 03Ajoutez des données structurées conformes à la page, puis vérifiez-les au lieu de faire confiance au générateur.
4. 04Rédigez une politique d'accès assumée pour les crawlers IA, agent par agent, et documentez la raison de chaque décision.
5. 05Poussez des flux là où une surface existe pour votre modèle commercial — et renoncez-y honnêtement là où ce n'est pas le cas.
6. 06Mettez en place un point d'accès MCP exposant la recherche paramétrique, la consultation de référence, les équivalences, les documents de conformité et la CAO, avec OAuth pour tout ce qui est propre à un client.
7. 07Surveillez l'exactitude en continu, car le mode de défaillance n'est pas le silence, c'est l'erreur énoncée avec assurance.

Partsgraph construit tout cela sous forme de couche overlay : nous ingérons le catalogue que vous avez déjà — fiches techniques, paramètres, CAO et documents de conformité —, le résolvons en un Parts Graph unique et vérifié, et le servons sur les quatre surfaces sans toucher à votre site web.

Si vous voulez le point de départ avant la feuille de route, passez votre domaine dans notre grader gratuit sur /audit. Il indique ce qu'un client non navigateur reçoit réellement de votre catalogue aujourd'hui, et laquelle des quatre surfaces vous manque.