L’article précédent établissait que le premier terrain d’Agentic Commerce n’est pas le paiement, mais la découverte et la recommandation. La condition préalable est simple : vos données produit doivent être consommables par machine. C’est le rôle de l’infrastructure B2A, Business-to-Agent.
Premier pilier : Schema.org. Beaucoup de sites se limitent à Product, name et price. C’est insuffisant. Un agent IA doit lire marque, offre, disponibilité, avis, livraison et politique de retour. Sans ces éléments, il ne peut pas évaluer la fiabilité de la recommandation.
Deuxième pilier : llms.txt. Ce n’est pas une copie du sitemap. C’est une sélection courte des pages que l’IA doit lire en priorité : produits clés, politiques, preuve client, histoire de marque. Chaque lien doit être accompagné d’une description utile.
Troisième pilier : Product Feed. Google Merchant Center, Shopify Agentic Storefronts et les flux de données produits vers les plateformes IA dépendent de sa qualité. Prix obsolète, stock incorrect, variantes manquantes ou images faibles diminuent la confiance de l’IA.
Quatrième pilier : UCP Manifest. Ce fichier déclare les capacités transactionnelles du marchand : requête catalogue, panier, remise, checkout, support après-vente. Il reste émergent, mais les marques de taille significative doivent le suivre.
Être lisible par l’IA ne garantit pas d’être recommandé. C’est une condition nécessaire, pas suffisante. La qualité des concurrents, le contexte utilisateur et les règles des plateformes comptent aussi. Mais sans B2A, la marque n’entre même pas dans la comparaison.
Le diagnostic AI Search de Gravity examine la profondeur du Schema, la qualité de llms.txt, la fraîcheur du Product Feed, les requêtes réelles des agents et la manière dont la marque est décrite dans les réponses IA. Il répond à une question opérationnelle : que voit l’IA, que manque-t-elle, et pourquoi la recommandation est-elle fragile ?
Concrètement, l’infrastructure de données B2A ne doit pas être traité comme une simple initiative de contenu. Données produit, réponses IA, requêtes d’agents, visites, comportements et commandes doivent être lus comme une même chaîne de preuve. Sans cela, l’équipe ne peut pas arbitrer correctement entre contenu, données, intégration technique et budget.
Il faut aussi conserver une discipline de mesure. La recherche IA et l’Agentic Commerce sont observables, mais pas encore aussi stabilisés que les canaux paid media classiques. Prompt sampling, referrers, logs serveur et commandes Shopify ont chacun leurs angles morts. La bonne approche sépare preuve forte, signal d’assistance et corrélation.
FAQ
Q1: Quelle différence entre B2A et B2C ?
A: B2C optimise l’expérience humaine. B2A optimise les données pour les agents IA : structure, faits vérifiables et exactitude en temps réel.
Q2: Quels champs Schema sont les plus importants ?
A: Prix, disponibilité, avis, livraison et politique de retour. Les trois derniers manquent souvent.
Q3: llms.txt est-il nécessaire pour Google AI Overview ?
A: Non. Google s’appuie surtout sur Schema et Merchant Center. llms.txt est plus utile pour ChatGPT, Perplexity et Claude.
Q4: Shopify suffit-il automatiquement ?
A: Non. Shopify couvre une partie du Schema et du feed, mais livraison, retours et llms.txt demandent souvent un travail spécifique.
Q5: Quel est le ROI de B2A ?
A: Une meilleure probabilité de recommandation IA, des résultats enrichis plus solides, un feed plus performant et une préparation aux protocoles à venir.