
La correction la plus rapide pour les pages de collection dans la recherche IA consiste à définir chacune d’elles avec à la fois un page_category (ou pageCategories) et un filtre obligatoire correspondant, par exemple categories: ANY('Home & Garden'), afin qu’une requête de navigation d’un agent IA renvoie des produits pertinents et correctement délimités, au lieu d’un ensemble large et générique. Ajoutez à cela des données de flux propres (titres clairs, GTINs complets, bonnes images) et vérifiez le tout avec la documentation de Google Cloud sur le commerce par IA, les recommandations de Microsoft pour Copilot Shopping et un outil de simulation avant la mise en ligne.
En bref :
- Les requêtes de navigation utilisent une requête vide ; pageCategories et le filtre de la requête doivent donc correspondre exactement, y compris la casse, faute de quoi les résultats peuvent inclure des produits sans rapport.
- Utilisez un seul déploiement réutilisable avec un filtre de catégorie et transmettez au runtime le contexte plp_category correspondant à chaque page ; faites contourner les restrictions de catégorie aux pages wildcard.
- Copilot Shopping s’appuie sur les flux Microsoft Merchant Center ; pour améliorer l’inclusion, utilisez des titres précis, des GTIN complets quand ils s’appliquent, des images de haute qualité et des catégories de produits correctement mappées.
- Après les changements, testez de vraies requêtes de navigation et examinez is_filter_applied, products_list et total_result ; les simulations et les comparaisons progressives aident à éviter de déployer à grande échelle un correctif non vérifié.
En quoi les requêtes de navigation IA diffèrent de la recherche textuelle
La recherche textuelle et la navigation sont deux opérations différentes, et l’efficacité des pages de collection dépend entièrement de celle que l’agent IA pense exécuter. Une requête textuelle envoie un champ query non vide : l’acheteur ou l’agent a saisi quelque chose de précis, et le moteur classe les résultats selon leur pertinence par rapport à ces termes. La navigation fonctionne autrement. Elle s’exécute avec une requête vide et dépend entièrement de pageCategories et des filtres pour déterminer ce qui doit apparaître sur la page, conformément à la documentation Google Cloud sur la recherche commerce avec IA.
Cette distinction compte, car les acheteurs laissent de plus en plus des agents IA naviguer à leur place. Quand quelqu’un demande à un assistant de trouver des « tapis pour un petit salon », l’agent ne tape pas cette expression dans un champ de recherche sur votre site : il envoie une requête de type navigation et s’attend à ce que votre page de collection sache déjà ce qui doit y figurer. La page de collection devient une sorte de seconde impression, l’endroit où un agent IA évalue une catégorie pour décider si votre catalogue mérite d’être recommandé plus loin.
Lorsque pageCategories ou son filtre correspondant manque, la requête n’a aucun périmètre auquel se rattacher. Le résultat bascule par défaut vers un inventaire large, souvent peu pertinent : un échec qui n’a rien à voir avec vos textes ou vos images, et tout à voir avec la configuration du backend.
- Une requête textuelle contient une expression de recherche précise et classe les résultats selon leur pertinence par rapport à ces termes.
- Une requête de navigation contient une requête vide et dépend des champs de catégorie et de filtre pour définir son périmètre.
- Des champs de catégorie absents ou incohérents font que les résultats de navigation basculent par défaut vers un inventaire large et peu pertinent.
C’est pourquoi l’optimisation des pages de collection pour les agents IA commence par un travail d’ingénierie, pas de contenu.
Les champs et signaux de flux qui rendent les pages de collection opérationnelles
Pour corriger cela, il faut surtout renseigner les bons champs aux bons endroits et les garder cohérents. Voici dans quel ordre procéder.
- Définissez
page_categoryoupageCategoriessur la page elle-même et dans la charge utile de la requête. La documentation Google Cloud sur la recherche commerce avec IA indique clairement que les résultats de navigation restent trop larges tant que l’identifiant de catégorie de page et un filtre correspondant ne sont pas présents ensemble, selon les mêmes recommandations. - Faites en sorte que le filtre référence exactement la même valeur, qu’il s’agisse de
attributes.pageCategoriesou d’un champcategoryid. Une page étiquetée « Outdoor Furniture » avec un filtre pointant vers une autre chaîne de catégorie ne délimitera pas correctement le périmètre, même si aucune erreur n’est renvoyée. - Utilisez une variable de contexte, par exemple
plp_category, dans la configuration de filtre de la plateforme, puis transmettez cette même variable dans le contexte de la requête à l’exécution. C’est ce mécanisme qui permet à un seul déploiement de servir de nombreuses pages de collection sans coder en dur un filtre pour chacune. - Vérifiez aussi la casse. Les noms de champs et les variables de filtre sont sensibles à la casse, et un décalage entre
PageCategoryetpageCategorydans différentes parties de votre environnement technique est une cause fréquente et invisible de résultats trop larges. - Formalisez la correspondance de votre taxonomie. Le champ de Google
Product.categoryprend désormais en charge un objetCategoryCodequi associe vos types de produits internes à la taxonomie officielle de Google, ce qui donne aux agents d’achat IA un signal de catégorie cohérent sur lequel filtrer et classer les résultats, au lieu de devoir deviner à partir d’une simple chaîne de catégorie en texte libre. - Ajoutez des signaux de pagination et de facettes, comme
page,page_size, ainsi que des comptes de facettes, et journalisez des indicateurs de réponse commeis_filter_appliedafin de pouvoir confirmer a posteriori que le périmètre a bien été appliqué, au lieu de simplement le supposer. - Ajoutez des données structurées ou des métadonnées qui relient explicitement les produits à leurs pages de collection. Cette association aide les modèles utilisés en aval et facilite la reconnaissance de cette relation lors de l’entraînement sur le catalogue, sans devoir la déduire de la seule mise en page.
Conseil pratique : Passez en revue de bout en bout une page de collection à fort trafic avant de toucher au reste du catalogue : vérifiez dans la même session la valeur de catégorie de la page, la valeur de catégorie du filtre et la variable de contexte dans la charge utile de la requête, car l’incohérence se cache généralement dans l’écart entre deux de ces trois éléments.
Construire un déploiement unique pour servir toutes les pages de collection
Vous n’avez pas besoin d’une configuration de recherche distincte pour chaque catégorie. Le modèle pratique, décrit dans les recommandations d’implémentation pour les pages de liste de produits, consiste à créer un déploiement ou une expérience réutilisable qui associe un moteur de recherche et un filtre de catégorie, puis à appeler ce même déploiement pour chaque page de collection en changeant le contexte au moment de la requête.
- Créez un déploiement (souvent identifié par un
deployment_id) qui associe votre moteur de recherche à une définition de filtre de catégorie. - Pour chaque requête de navigation, envoyez une requête vide, le
deployment_id, le nom de la collection, le numéro de page et un objet de contexte qui fournit la valeurplp_categorypour cette page spécifique. - Assurez-vous que le filtre lui-même référence le même nom de variable que celui utilisé dans l’objet de contexte ; le déploiement lit la variable, pas une chaîne de catégorie codée en dur.
- Ajoutez un classement hybride ou sémantique au-dessus du filtre de catégorie afin que la pertinence en langage naturel continue d’influencer l’ordre des produits dans l’ensemble filtré, plutôt que de compter uniquement sur le filtre pour produire une bonne page.
- Traitez volontairement les pages « tous les produits » ou les pages génériques, soit en utilisant une configuration de filtre de contournement, soit en les routant explicitement en dehors du modèle de filtre par catégorie, afin qu’elles n’héritent pas accidentellement d’une restriction de catégorie destinée à une page plus ciblée.
- Inspectez
products_list,total_result, les comptes de facettes etis_filter_applieddans vos journaux de réponse après chaque changement de déploiement afin de confirmer que le filtre s’est déclenché comme prévu.
Ce modèle peut évoluer proprement : un distributeur avec de nombreuses pages de collection peut utiliser un seul déploiement bien configuré avec différentes valeurs de contexte, plutôt que de maintenir une configuration de recherche distincte pour chaque page.
Comment simuler et mesurer le comportement des agents IA sur vos pages
Les changements de configuration ne sont utiles que si vous pouvez confirmer qu’ils fonctionnent, et la manière de le confirmer consiste à tester le parcours de navigation comme le ferait un agent IA.
- Exécutez directement des appels API en mode navigation, en utilisant les valeurs de contexte réelles que vos pages de collection enverront, et vérifiez
is_filter_applied,products_list, ettotal_resultdans la réponse afin de confirmer que la requête a bien été limitée à la catégorie attendue. - Utilisez des outils de simulation d’agents ou des requêtes d’agents contrôlées pour voir quels produits sont sélectionnés pour une invite de catégorie donnée et capturer un instantané des résultats avant et après chaque changement, afin d’avoir une comparaison concrète plutôt qu’une supposition.
- Suivez un petit ensemble de KPI : le taux d’application des filtres sur les requêtes de navigation, les sessions attribuées à l’IA, la part des citations d’agents qui renvoient vers des pages de collection plutôt que vers des fiches produit individuelles, ainsi que toute hausse de conversion résultante.
- Automatisez les nouvelles analyses selon une fréquence définie, surtout après des mises à jour du catalogue ou des changements de taxonomie, puisqu’une nouvelle catégorie de produits ou un attribut renommé peut silencieusement casser un filtre qui fonctionnait parfaitement la semaine précédente.
- Traitez les premiers résultats avec prudence. Une poignée de requêtes simulées ou quelques jours de trafic d’agents constituent un petit échantillon. Des déploiements progressifs ou de simples comparaisons A/B offrent une base plus solide pour déterminer si un changement a réellement eu un impact avant de l’appliquer à l’ensemble du catalogue.
Les mouvements importants du trafic shopping provenant de l’IA ont coïncidé avec des changements plus larges dans la manière dont les utilisateurs exploitent les outils de recherche IA, comme l’ont montré les analyses sur l’évolution des comportements de recherche , rappelant que la référence à laquelle vous comparez vos mesures évolue elle aussi.
Ce que les équipes ecommerce comprennent mal dans ce déploiement
La plupart des équipes abordent d’abord ce sujet comme un problème de contenu, en réécrivant les textes des pages de collection ou en ajoutant des blocs FAQ, alors que le véritable blocage est presque toujours un champ de catégorie manquant ou incohérent dans le backend. C’est un problème mécanique qui peut être corrigé, mais il se retrouve noyé sous le travail éditorial parce que les changements de texte donnent l’impression d’avancer, contrairement aux audits de filtres.

Le meilleur ordre d’exécution : commencez par traiter vos catégories avec le plus de trafic, vérifiez que le page_category et le filtre correspondent uniquement sur celles-ci, puis étendez ensuite au reste du catalogue. Une correction ciblée sur quelques catégories tend à révéler le modèle qui casse vos filtres à l’échelle du site, ce qui vous évite de répéter le même débogage page par page sur le reste de vos pages.
Associez cette correction d’ingénierie à un contrôle de la qualité du flux produit, car une page de collection parfaitement ciblée remplie de titres vagues et de GTIN manquants n’offrira toujours pas beaucoup de recommandations pertinentes à un agent IA. Prouvez que la correction fonctionne avec une simulation avant de publier largement : c’est la différence entre espérer qu’un changement aide et savoir qu’il aide.
— Xhurian
Comment ecentic vous aide à corriger et prouver le bon câblage des pages de collection
Nous avons conçu notre plateforme autour du problème que la plupart des équipes rencontrent après avoir lu ce type de recommandations : savoir que le page_category et le filtre doivent correspondre est une chose, confirmer qu’ils correspondent sur l’ensemble de votre catalogue en est une autre. Nous simulons la manière dont des agents IA d’achat comme ChatGPT et Gemini évaluent vos fiches produit, en vous montrant quels produits un agent choisirait et pourquoi, puis nous vous fournissons des diagnostics clairs avec des corrections priorisées.

- Nous proposons une première analyse gratuite pour vous aider à évaluer vos fiches produit.
- Nous transformons les diagnostics en publication en un clic vers Shopify et WooCommerce, afin qu’une correction ne reste pas bloquée dans un backlog.
- Nous suivons en continu les taux de sélection par l’IA grâce à des analyses régulières, afin de surveiller les changements apportés à votre catalogue dans le temps.
Commencez par un analyse gratuite pour voir où en sont vos propres pages de collection, ou comparez nos offres Compete, Scale et Dominate si vous êtes prêt à passer directement à une optimisation continue. Pour les équipes qui valident des profils UCP par rapport au comportement réel des agents, notre UCP Playground vous permet de tester directement la configuration de n’importe quelle boutique.
FAQ
Comment l’IA collecte-t-elle vos données ?
Les agents IA d’achat collectent les données produit à partir des flux et des données structurées que vous publiez déjà, comme le flux Microsoft Merchant Center qui alimente les recommandations Copilot Shopping, ainsi que les métadonnées de catégorie et les signaux au niveau des pages de votre site. Il n’existe pas de pipeline de données distinct « réservé à l’IA » : les mêmes champs de flux et de taxonomie qui prennent en charge les annonces shopping traditionnelles alimentent aussi les systèmes de recommandation IA.
Qu’est-ce que la règle des 30 % pour l’IA ?
Si vous avez vu ce terme utilisé, il est utile de vérifier directement le contexte d’origine plutôt que de le considérer comme une référence standard du secteur.
Quelles sont les principales plateformes d’achat IA à surveiller ?
Plutôt qu’une liste figée, les plateformes à suivre sont les principaux agents IA d’achat que les consommateurs utilisent réellement pour parcourir et acheter des produits, notamment ChatGPT, Gemini, Claude et Perplexity, ainsi que des interfaces spécialisées comme Copilot Shopping de Microsoft. Chacune interprète les flux produit et les signaux de catégorie un peu différemment, ce qui rend les tests de vos propres fiches produit sur chacune d’elles plus utiles qu’un classement générique.
Quelles sont les principales catégories d’IA pertinentes pour le shopping ?
Dans un contexte ecommerce, les systèmes IA les plus importants sont les agents conversationnels d’achat (comme ChatGPT ou Gemini), les moteurs de recherche et de navigation alimentés par l’IA intégrés aux plateformes de commerce, ainsi que les modèles de recommandation ou de classement utilisés derrière les flux produit. Pour un marchand, ce qui compte le moins est la catégorie académique de l’IA et davantage le fait que vos pages de collection et votre flux respectent les exigences techniques spécifiques vérifiées par chacun de ces systèmes, comme l’alignement entre la catégorie de page et le filtre dont dépendent les requêtes de navigation.
Comment tester si mes pages de collection sont correctement configurées pour les agents IA ?
Exécutez un appel API en mode navigation avec vos valeurs de contexte réelles et vérifiez si is_filter_applied et total_result reflètent correctement le périmètre attendu, puis comparez cela avec ce qu’une simulation d’agent IA sélectionne réellement pour la même catégorie. Si les deux ne correspondent pas, l’incohérence provient généralement d’un champ de catégorie ou d’une variable de filtre qui ne correspond pas entre la configuration de votre page et la charge utile de votre requête.