Identifiez les opportunités de croissance à privilégier en fonction de la demande du marché, du paysage concurrentiel, des propositions de valeur de la marque et des sources de citation.
Les Insights sur les performances IA de Google Merchant Center révèlent la part de voix de l’IA, les étapes du parcours d’achat, les termes associés aux produits et les lacunes dans les attributs. Voici ce que les marques devraient faire ensuite.
Explorez plus 12,000 marchés de niche.
Mis à jour par
Mis à jour le Oct 12, 2026
Google Merchant Center commence à mettre AI Performance Insights à la disposition des marchands. Pour la première fois, les marques peuvent utiliser un tableau de bord officiel de Google pour voir quels besoins des consommateurs leurs produits couvrent dans AI Mode, AI Overviews et Gemini, à quelle étape du parcours d’achat ces besoins se situent et quelle visibilité dans l’IA elles obtiennent par rapport à des marques similaires.
Après avoir examiné le rapport, je suis toutefois encore plus convaincu d’une chose :
Les données les plus précieuses de la prochaine phase du Generative Engine Optimization, ou GEO, ne porteront pas sur le nombre de fois où l’IA mentionne une marque. Elles montreront où se concentre la demande des clients et si la marque est réellement en mesure d’y répondre.
Il y a peu, j’ai écrit sur le fait que Google Search Console et Bing Webmaster Tools commençaient à fournir des données liées à la recherche par IA.
Ma conclusion à l’époque était que le GEO passait d’un nouveau concept reposant largement sur la surveillance par des tiers et le jugement du secteur à une étape où les données officielles des plateformes pouvaient le valider.
Microsoft a commencé à communiquer des données sur les citations, tandis que Google Search Console a commencé à signaler les impressions dans l’IA. Cela a au moins prouvé une chose : les plateformes de recherche étaient désormais disposées à suivre officiellement la visibilité des marques et les citations dans les réponses générées par l’IA.
Cette série de mises à jour concernait principalement les sites web et les contenus :
Google vient maintenant de franchir une nouvelle étape.
Cette fois, les données sont intégrées à Merchant Center, ce qui signifie qu’elles concernent désormais les produits et le commerce en ligne.
AI Performance Insights de Google commence à montrer aux marchands comment les consommateurs découvrent leurs produits via AI Mode, AI Overviews et Gemini, quelle part de voix leurs marques détiennent face à des produits comparables, ainsi que les termes et attributs de produits qui intéressent le plus les utilisateurs.
Il ne s’agit pas simplement d’un nouveau rapport.
Google tente ainsi de répondre à une question bien plus importante que celle de savoir si un produit a bénéficié d’une exposition :
Qu’est-ce qui intéresse réellement les consommateurs lorsqu’ils font leurs achats avec l’IA ?
D’après les interfaces et les explications officielles actuellement disponibles, AI Performance Insights comprend quatre grandes catégories de données.
La première mesure est la part de voix d’une marque dans les expériences d’achat avec l’IA de Google.
En termes simples, elle estime la visibilité qu’une marque et ses produits obtiennent auprès de l’IA pour des besoins d’achat pertinents, puis la compare à celle de marques similaires automatiquement identifiées par Google.
Figure 1 : Exemple d’AI Performance Insights de Google Merchant Center, montrant la part de voix d’une marque dans l’IA et la moyenne des marques similaires.
Cette mesure peut sembler proche du score de visibilité utilisé par de nombreux outils GEO, mais il existe une différence importante.
Les outils GEO tiers ont généralement pour approche de :
Définir un ensemble de prompts, interroger régulièrement plusieurs modèles et calculer la fréquence à laquelle une marque apparaît.
Les données de Google proviennent de ses propres environnements d’achat avec l’IA, notamment AI Mode, AI Overviews et Gemini. Elles reflètent donc davantage l’exposition réelle au sein de l’écosystème Google, sans toutefois mesurer les performances en dehors de celui-ci.
L’intérêt de ces données n’est pas qu’elles remplacent tous les outils de suivi tiers. Il tient au fait qu’elles fournissent aux marques une référence officielle.
Les marques de commerce en ligne peuvent désormais déterminer avec plus de certitude que :
Mes produits ne se contentent pas d’apparaître dans quelques prompts de test. Ils sont véritablement présents dans le paysage de la demande liée au shopping par IA de Google.
La part de voix ne doit toutefois pas être interprétée comme une part de marché.
Google choisit automatiquement les marques de comparaison, et les marchands ne peuvent pas contrôler entièrement l’ensemble concurrentiel. La taille de l’échantillon, la catégorisation des produits et l’étendue de la reconnaissance des entités par Google peuvent également influer sur le pourcentage.
Une part de voix de 100 % ne signifie pas nécessairement qu’une marque a monopolisé sa catégorie. Un score de 0 % ne signifie pas nécessairement qu’elle n’a aucune visibilité.
Cette mesure est davantage utile pour repérer les tendances que comme indicateur autonome des performances commerciales.
Google classe également les requêtes liées au shopping par IA selon les étapes du tunnel d’achat :
Par exemple :
Figure 2 : AI Performance Insights répartit la demande liée au shopping entre les étapes de Découverte, d’Évaluation et d’Achat.
À mon avis, cette information est plus utile que la seule mesure de l’exposition dans l’IA.
Jusqu’à présent, de nombreux programmes de suivi GEO se contentaient de compter si une marque apparaissait ou non.
Pourtant, apparaître dans une réponse à la question « Qu’est-ce qu’un purificateur d’air ? » n’a pas la même valeur commerciale que d’apparaître dans une réponse à « Quels sont les meilleurs purificateurs d’air pour les foyers avec des animaux ? »
La première requête peut relever de l’information générale. La seconde est déjà proche d’une décision d’achat.
Sans distinguer l’intention et l’étape de décision, 100 mentions de marque peuvent avoir moins de valeur que 10 recommandations associées à des requêtes à forte intention d’achat.
En intégrant directement ces données à Merchant Center, Google indique en substance aux marchands :
Le succès du shopping par IA ne doit pas être évalué uniquement en fonction de l’exposition totale. Il faut savoir à quelle étape du parcours d’achat cette exposition se produit.
Google fournit également les termes de produits (Product Terms), c’est-à-dire les concepts et expressions liés aux produits que les consommateurs utilisent fréquemment lorsqu’ils font leurs achats avec l’aide de l’IA.
Cela nécessite une interprétation prudente.
Google ne fournit pas une liste complète de prompts bruts. Il propose des termes de produits agrégés et des types de requêtes.
Cette structure correspond à la nature de la recherche par IA.
Dans la recherche traditionnelle, un mot-clé peut être très court :
Alexa for Shoppingchaussures de courseUn utilisateur de l’IA peut plutôt demander :
Je cours quatre fois par semaine, j’ai une corpulence supérieure à la moyenne et j’ai souvent mal aux genoux. Existe-t-il des chaussures de course offrant un meilleur amorti pour les longues distances à allure modérée ?
Cette seule question contient plusieurs dimensions :
Si cette requête était décomposée à l’aide d’un rapport de mots-clés traditionnel, les données seraient fragmentées.
Du point de vue de l’intention des consommateurs, en revanche, le besoin principal est clair :
Des chaussures de course bien amorties pour les longues distances, destinées aux coureurs de forte corpulence souffrant de douleurs aux genoux.
Plutôt que de transmettre aux marchands chaque long prompt individuellement, Google regroupe ces requêtes en thèmes de demande, termes de produits et étapes d’achat plus faciles à exploiter.
Les analyses du secteur consacrées à ce rapport sont arrivées à une conclusion similaire : davantage de données sont disponibles, mais les marchands ne peuvent toujours pas consulter l’ensemble du parcours, des requêtes et des clics jusqu’aux conversions.
C’est un signal important pour le secteur du GEO.
À l’avenir, l’unité d’analyse la plus précieuse ne sera peut-être pas un prompt isolé, mais plutôt :
Un groupe de requêtes formulées différemment, mais motivées par la même intention fondamentale du client.
La quatrième catégorie porte sur les attributs des produits qui intéressent les utilisateurs et sur les éventuelles lacunes de ces attributs dans les données produits d’une marque.
Les utilisateurs peuvent poser fréquemment des questions sur :
Supposons que les consommateurs demandent régulièrement si un produit convient à une utilisation en extérieur, mais que le flux de produits, les données structurées et la page produit ne décrivent jamais son environnement d’utilisation. Google aura alors du mal à déterminer s’il doit recommander ce produit.
Google Merchant Center s’appuie depuis toujours sur les données produits fournies par les marchands pour faire correspondre les produits aux requêtes pertinentes. Google a également toujours souligné que l’exactitude et l’exhaustivité des informations sur les produits influent directement sur leur affichage.
Auparavant, les marchands optimisaient principalement leurs flux pour les annonces Shopping et les fiches produits gratuites.
Désormais, ces mêmes champs commencent également à influencer la découverte des produits dans AI Mode, AI Overviews et Gemini.
Le rôle du flux de produits évolue :
Il ne s’agit plus seulement d’une source de données pour la publicité. Il devient le langage de base utilisé par l’IA pour comprendre un produit.
L’aspect le plus sous-estimé de cette mise à jour n’est pas l’introduction de la part de voix par Google, mais la manière dont l’entreprise a choisi d’organiser les données.
Google n’a pas simplement remis aux marchands une liste de mots-clés liés à l’IA.
Le rapport sur le shopping par IA est plutôt structuré autour des éléments suivants :
Pourquoi ?
Parce que les utilisateurs de l’IA n’emploient pas systématiquement un petit ensemble fixe de mots-clés.
Un même besoin peut être exprimé de dizaines de façons.
Par exemple, une personne qui cherche un purificateur d’air pour un petit logement peut demander :
Ces questions sont complètement différentes au niveau de leur formulation.
Du point de vue de la demande commerciale, cependant, elles peuvent correspondre à quelques groupes d’intentions stables :
Ce qui influence réellement les recommandations de l’IA, ce n’est pas qu’une marque couvre ou non un prompt précis. C’est plutôt de savoir si :
Les informations sur les produits et les contenus de la marque couvrent de manière exhaustive les besoins récurrents qui structurent les décisions des clients.
C’est pourquoi je pense depuis longtemps que mesurer le GEO à partir de quelques dizaines de prompts prédéfinis donne un faux sentiment de certitude.
Une entreprise peut sélectionner soigneusement 100 questions et annoncer une hausse de 20 % de la visibilité de sa marque.
Mais si ces questions ne représentent pas ce qui intéresse vraiment les clients, ou si elles omettent des situations d’achat à forte valeur, cette hausse de 20 % signifie très peu.
Google s’éloigne également des requêtes isolées pour se tourner vers la demande et les intentions agrégées.
À mesure que les données des plateformes officielles évoluent, Google commence à compléter trois niveaux.
Le premier est Search Console, qui indique les impressions du contenu web dans les fonctionnalités de recherche par IA.
Le deuxième est Merchant Center, qui communique la part de voix des produits, les étapes d’achat, les termes de produits et la demande liée aux attributs dans les contextes de shopping par IA.
Le troisième est Google Ads et Merchant Center, qui continuent de relier les flux de produits, la publicité et les données transactionnelles.
Malgré cela, les lacunes les plus importantes demeurent.
À l’heure actuelle, les marchands voient des termes agrégés et des types de requêtes, et non un historique complet, requête par requête.
Une marque peut savoir qu’un produit a bénéficié d’une exposition dans l’IA, sans savoir combien de clics une catégorie particulière de requêtes liées à l’IA a générés.
Il n’existe toujours pas de chaîne complète d’attribution au niveau de la requête reliant :
Le rapport peut montrer le résultat, mais il n’explique pas nécessairement entièrement si :
Le rapport répond principalement à la question suivante :
La marque est-elle présente dans une catégorie de demande particulière au sein du shopping par IA de Google ?
Il ne répond pas encore pleinement à celle-ci :
Pourquoi la marque est-elle apparue, pourquoi était-elle absente et comment augmenter systématiquement ses chances d’apparaître ?
Les analyses du secteur ont résumé cette mise à jour avec justesse : les données de Google sur la recherche par IA se développent, mais d’importantes lacunes subsistent concernant les clics, les requêtes exactes, les ensembles concurrentiels et l’attribution des conversions.
La multiplication des rapports officiels ne supprime pas automatiquement la valeur des outils tiers.
Cependant, les produits qui reposent uniquement sur une méthode consistant à « définir des prompts, les soumettre à plusieurs reprises et calculer le taux de mention » montreront de plus en plus leurs limites.
Google peut déjà indiquer aux marchands :
Si un produit tiers se contente encore de signaler :
Votre marque est apparue dans 13 prompts sur 50.
Cela ne suffit clairement pas.
Les produits GEO tiers devront fournir au moins trois éléments que les données officielles des plateformes ne peuvent toujours pas apporter.
Google ne peut rendre compte que de l’écosystème Google.
Les marques doivent toujours comprendre leurs performances sur ChatGPT, Perplexity, Copilot, Claude et d’autres points d’accès à l’IA.
Chaque plateforme possède des sources de données, des mécanismes de citation, des catalogues de produits et une logique de recommandation différents.
Les plateformes officielles ne montrent que les données qu’elles collectent et agrègent.
Les marques ont toujours besoin d’une structure complète de la demande du secteur, notamment :
La véritable valeur commerciale ne consiste pas à dire à une marque : « Vous n’êtes pas apparue. »
Elle consiste à expliquer :
À mesure que les données officielles gagnent en maturité, les outils tiers doivent évoluer : de systèmes de suivi vers des systèmes d’analyse et d’aide à la décision.
Je ne recommande pas de réagir à cette mise à jour en se lançant immédiatement à la poursuite d’un nouveau chiffre de part de voix dans l’IA.
Une approche plus pratique consiste à commencer par examiner quatre domaines.
De nombreuses marques indépendantes de commerce en ligne ne fournissent que les informations les plus élémentaires dans leurs flux Merchant Center :
Or, les questions que les consommateurs posent par l’intermédiaire de l’IA sont bien plus complexes.
Ils demandent :
Si ces informations n’existent que dans les connaissances de l’équipe du service client, ou si elles sont dispersées dans des images sans figurer dans le flux, les données structurées ou les pages produits explorables, l’IA aura du mal à comprendre correctement le produit.
De nombreuses pages produits de marque sont visuellement attrayantes, mais leur contenu se limite principalement à :
Ce type de page peut convenir à une personne qui a déjà décidé d’acheter, mais il est peu adapté à l’aide apportée à l’IA pour répondre à des questions complexes.
Une page produit plus facile à comprendre et à recommander pour l’IA devrait clairement expliquer :
Les marques ont l’habitude de créer des contenus autour du nom des produits :
Les utilisateurs du shopping par IA expriment plus souvent leurs besoins à travers des situations :
La structure de contenu de demain devra s’étendre du catalogue de produits à un catalogue des décisions des clients.
AI Performance Insights ne peut pas, à lui seul, prouver une croissance du chiffre d’affaires.
Une approche plus raisonnable consiste à combiner :
Les marques peuvent alors évaluer :
La plupart des premiers produits GEO ont commencé par le suivi des prompts.
Un client saisissait un ensemble de questions, l’outil interrogeait les modèles d’IA selon un calendrier défini, et le système enregistrait si la marque apparaissait, son classement et les sources citées.
Cette approche était utile aux débuts du secteur, car les marques avaient d’abord besoin de savoir si elles apparaissaient ou non dans les réponses générées par l’IA.
Ses limites sont toutefois devenues de plus en plus évidentes :
Dageno évolue d’un suivi limité des prompts vers une couverture complète des intentions à l’échelle du secteur.
Ce qui nous intéresse moins, c’est :
Combien de fois la marque est-elle apparue dans ces 100 questions prédéfinies ?
Ce qui nous intéresse davantage, c’est :
À l’échelle de l’ensemble du secteur, dans quels contextes les utilisateurs posent-ils des questions ? À quelles étapes du parcours d’achat ces besoins correspondent-ils ? Quelles demandes ont déjà été captées par les concurrents ? Dans quels groupes d’intentions la marque est-elle totalement absente ? Cette absence est-elle due aux informations sur les produits, à la structure du contenu, aux sources de confiance ou à la notoriété de la marque ?
Le rapport de Google organise également les données liées à l’IA autour des étapes du parcours d’achat, des termes liés aux produits, des types de requêtes et des attributs des produits.
Cela rejoint notre vision de l’évolution du secteur :
L’unité fondamentale de la recherche par IA ne restera pas une requête isolée. Elle deviendra progressivement une intention utilisateur agrégée et un scénario de décision.
Google peut fournir des données issues de son propre écosystème.
Dageno doit y ajouter une couverture multiplateforme, une veille sur la demande à l’échelle du secteur et des explications causales.
L’objectif n’est pas de fournir aux clients une nouvelle capture d’écran indiquant que « la visibilité dans l’IA a augmenté de 10 % ».
L’objectif est d’aider les marques à construire une nouvelle cartographie de la demande du marché qui réponde aux questions suivantes :
Le lancement d’AI Performance Insights dans Google Merchant Center est une mise à jour importante.
Pour la première fois, les marques e-commerce peuvent utiliser un tableau de bord officiel pour connaître la part d’exposition de leurs produits dans Google AI Shopping, les étapes du parcours d’achat associées à cette exposition, les termes liés aux produits qui intéressent les utilisateurs et les lacunes concernant les attributs des produits.
Mais la portée la plus importante de cette mise à jour n’est pas que Google a ajouté un nouvel indicateur de visibilité dans l’IA.
C’est que Google reconnaît publiquement que :
Dans AI Shopping, la concurrence ne porte pas simplement sur l’indexation d’un produit. Elle porte sur la capacité du produit à répondre à la demande réelle qui se cache derrière le langage naturel de l’utilisateur.
Jusqu’à présent, les marchands optimisaient leurs titres et leurs flux de données autour des mots-clés.
Désormais, les marques devront réorganiser l’ensemble de leur système d’information produit autour des publics, des scénarios, des attributs, des problèmes et des étapes du parcours d’achat.
Cela signifie également que le GEO ressemblera de plus en plus à une discipline de croissance à part entière, plutôt qu’à un nouveau concept qui cherche à démontrer sa valeur par des requêtes manuelles.
La boucle de données est encore incomplète.
Des lacunes importantes subsistent concernant les requêtes exactes, les clics, la logique de recommandation et l’attribution des commandes.
Mais le nombre de tableaux de bord augmente.
La prochaine étape ne sera pas remportée par la première marque à acheter un outil de visibilité dans l’IA. Elle le sera par la marque qui reliera en premier la demande du secteur, les données produit, les ressources de contenu et les indicateurs de performance officiels.
Les utilisateurs prennent déjà des décisions d’achat au moyen de l’IA.
Ce que les marques doivent chercher à obtenir, ce n’est pas simplement une impression de plus.
C’est le droit de figurer dans la réponse finale de l’utilisateur.
Mis à jour par
Tim
Tim is the co-founder of Dageno and a serial AI SaaS entrepreneur, focused on data-driven growth systems. He has led multiple AI SaaS products from early concept to production, with hands-on experience across product strategy, data pipelines, and AI-powered search optimization. At Dageno, Tim works on building practical GEO and AI visibility solutions that help brands understand how generative models retrieve, rank, and cite information across modern search and discovery platforms.