Comment rendre votre site plus accessible aux agents IA

La recherche par IA change l’objectif

Le trafic web devient une mesure moins complète de l’influence commerciale à mesure que les systèmes d’IA s’interposent dans la recherche d’information. Contentsquare, une plateforme d’analytics de l’expérience qui a un intérêt commercial dans la manière dont les entreprises analysent les parcours numériques, a indiqué que le trafic référé par l’IA vers les sites web de marque a augmenté de 632% en environ 10 mois. Jane Austin, vice-présidente senior du design chez Contentsquare, a cité Forrester, selon qui 51% des acheteurs de logiciels commencent désormais leurs recherches dans un chatbot d’IA plutôt que dans un moteur de recherche, contre 29% l’année précédente.

Le modèle de recherche traditionnel relie plusieurs événements : rendre les pages compréhensibles pour un moteur de recherche, se positionner sur des requêtes utiles, amener les internautes sur le site web et mesurer leur activité. La recherche médiée par l’IA peut dissocier ces événements. Un agent peut collecter des informations produit, comparer des alternatives et résumer une marque avant qu’un prospect ne visite son site web. Une entreprise peut donc influencer la recherche sans recevoir une session référée pour chaque interaction.

Cela change l’objectif de l’optimisation. Les marques ont besoin d’informations exactes sur leurs produits et leur marque partout où les systèmes d’IA effectuent la découverte, ainsi que de moyens pour déterminer si cette exposition contribue à la demande et aux ventes. L’enjeu est de préserver le sens de la marque et la mesure commerciale à mesure qu’une plus grande part de la recherche se déroule en dehors du site web.

Un site que Google peut comprendre peut malgré tout rester opaque pour un agent d’IA

Le premier problème réside dans l’architecture de nombreux sites web modernes. Avec le rendu côté client, le serveur peut initialement renvoyer un HTML minimal tandis que JavaScript insère le texte utile et les éléments d’interface dans le navigateur du visiteur. Une personne voit la page finalisée parce que le navigateur exécute ce code. Un système qui ne récupère que le HTML initial peut recevoir beaucoup moins d’informations produit.

« Le navigateur reçoit une coquille vide, puis vous effectuez le rendu », a déclaré Austin. Les bots d’IA « font une simple récupération du HTML brut. Ils n’attendent pas que la page se construise. Il n’y a rien à lire pour eux. » La distinction est importante, car une équipe marketing peut voir une page produit complète alors qu’un système automatisé récupère une représentation sensiblement différente.

Google a historiquement été capable de traiter JavaScript via une infrastructure de rendu basée sur Chrome headless. La question d’ingénierie durable est de savoir ce que chaque consommateur machine important peut récupérer du site aujourd’hui. Si un système automatisé exécute le rendu JavaScript et qu’un autre ne le fait pas, ils peuvent recevoir des informations différentes à partir de la même URL. Les classements de recherche existants fournissent alors des preuves limitées de ce qu’un autre système peut récupérer.

Cela peut créer un écart entre la visibilité dans la recherche conventionnelle et l’accessibilité pour l’IA. Pour les dirigeants, la question est de savoir comment l’information atteint différentes interfaces machine. Austin recommande de tester les URL importantes avec curl ou un simulateur de bot approprié, puis d’inspecter le HTML renvoyé. Comme Contentsquare vend des analytics de l’expérience, ses recommandations sur l’audit et la mesure du trafic numérique proviennent d’une entreprise ayant un intérêt commercial dans ce domaine.

Les équipes peuvent appliquer ce test directement : vérifier si les noms de produits, les éléments différenciants, les spécifications, les prix et les textes d’accompagnement sont présents avant l’exécution du JavaScript côté navigateur. Le résultat montre ce qu’une simple requête de récupération peut voir. Le rendu côté serveur peut résoudre ce problème de récupération en assemblant le contenu de la page sur le serveur et en renvoyant un HTML utile dans la réponse initiale. Il rend les informations importantes disponibles sans obliger le système demandeur à exécuter le code de l’application.

La question concrète que les dirigeants doivent poser à l’ingénierie est la suivante : lorsqu’un système automatisé demande une page commerciale importante, quels faits pertinents pour la décision sont présents dans la réponse qu’il reçoit ? Cette question transforme l’accessibilité pour l’IA en quelque chose que les équipes peuvent inspecter plutôt que déduire à partir des performances de recherche conventionnelles.

Le HTML lisible par machine n’est qu’un début

Une réponse HTML complète résout l’accès à l’information encodée sous forme de texte utile. Elle peut malgré tout ne pas communiquer tout ce que l’expérience humaine transmet. Une démonstration produit peut montrer à quoi ressemble un article en situation d’usage, tandis qu’un module interactif peut révéler des choix à travers les actions de l’utilisateur. Les images peuvent également porter des distinctions importantes que le peu de texte environnant n’énonce jamais.

Andrew Frank, distinguished VP analyst chez Gartner, appelle cela le défi des « dual-mode media ». Son approche consiste à donner à un contenu une présentation destinée aux humains et une couche orientée machine contenant des éléments tels que des transcriptions, des titres de chapitres, du texte alternatif et des métadonnées structurées. Les métadonnées structurées sont des informations étiquetées qui décrivent le contenu sous une forme prévisible. Ces éléments peuvent préserver un sens commercialement important lorsque le logiciel rencontre une représentation différente de celle qu’une personne perçoit.

Une vidéo produit illustre le problème. Un humain peut déduire des détails à partir de démonstrations, de séquences visuelles et d’objets qui apparaissent sans être mentionnés à voix haute, tandis qu’un agent travaillant à partir d’une transcription ne reçoit que les mots disponibles. « L’IA est susceptible de capter des nuances de la présentation sémantique qui sont peut-être invisibles pour les personnes », a déclaré Frank. « Les gens ne lisent généralement pas les transcriptions d’une vidéo. Si la transcription contient des descriptions qui ne figurent pas dans la vidéo, il existe une opportunité de remplacer une partie de cette information perdue. »

La qualité des transcriptions affecte donc la représentation de la marque. Le même principe s’applique aux images : un texte alternatif utile énonce les informations pertinentes sur l’image. Les titres montrent comment l’information est organisée, tandis que les métadonnées structurées peuvent rendre explicites des attributs importants. Un test pratique consiste à vérifier si les éléments orientés machine préservent les faits et distinctions qu’un acheteur pourrait autrement tirer de l’expérience visuelle ou interactive.

Des pratiques de publication riches en informations peuvent aider. Les tableaux comparatifs, fiches techniques, sections FAQ et pages tarifaires énoncent explicitement les faits dans des formats que les systèmes automatisés peuvent récupérer et interpréter. Ces formats facilitent la représentation d’évaluations complexes dans du texte et des informations structurées. Les expériences à dominante visuelle peuvent laisser davantage de sens dans la photographie, la vidéo ou les interactions.

L’exactitude affecte également la valeur commerciale de la découverte médiée par l’IA. « Ce que nous considérions autrefois comme un succès SEO est en train de changer. Il ne s’agit plus seulement de visibilité. Il s’agit de l’exactitude avec laquelle votre marque est représentée dans le résumé généré par l’IA », a déclaré Frank. Lorsqu’un système d’IA s’interpose dans la recherche, les entreprises ont intérêt à rendre les faits produit faisant autorité et les distinctions de marque suffisamment explicites pour que ces systèmes puissent les récupérer.

La mesure devient le problème le plus difficile

Contentsquare a indiqué qu’un client anonyme du secteur des services financiers avait perdu 40% de son trafic de recherche organique vers une seule page, tandis que la conversion sur cette page augmentait. Cet exemple montre seulement que le trafic et la conversion peuvent évoluer dans des directions différentes ; il n’établit pas que l’IA en soit la cause. Les parcours médiés par l’IA peuvent aussi produire des chemins observables différents. Une personne peut demander à un chatbot d’étudier des options puis arriver plus tard sur le site d’une entreprise par un autre canal.

Un agent peut au contraire récupérer des informations sans générer de visite humaine. Dans les deux cas, le trafic web ne capture que les événements qui atteignent les systèmes observables de l’entreprise. L’identité rend l’attribution plus difficile. Austin a indiqué que Cloudflare et d’autres outils de sécurité peuvent catégoriser le trafic comme bot ou humain et distinguer les crawlers, les agents actifs et les bots de scraping.

« Cet agent de liaison humain est au final invisible », a déclaré Austin. « Le site web traite cet agent comme une personne, mais il n’existe pas de solution à ce déficit d’identité. » Cette distinction est importante, car le trafic automatisé global constitue une catégorie différente de l’achat ou de la recherche médiés par l’IA. Selon l’Imperva Bad Bot Report, le trafic automatisé représente 53% de l’ensemble du trafic web, et 40% de ce trafic automatisé est malveillant. Un crawler qui indexe des informations publiques, un agent qui effectue des recherches pour un acheteur et un scraper malveillant peuvent tous produire des requêtes automatisées ayant des significations commerciales différentes.

Ce déficit d’identité affaiblit une chaîne d’attribution familière. Un agent pourrait collecter des informations pour un prospect qui arriverait ensuite directement ou via un autre canal, laissant les analytics incapables d’établir que ces deux activités appartiennent au même parcours d’achat. Le prospect pourrait aussi terminer le parcours sans visiter le site. Dans ces cas, les analytics au niveau des événements peuvent manquer l’influence d’informations consommées via un intermédiaire ou l’attribuer de manière erronée.

Frank décrit le scénario plus étendu : « Si vous pouvez effectuer l’ensemble du parcours avec un chatbot qui se termine par une transaction, le rôle du site web est fortement réduit. » Gartner prévoit que 15 000 milliards de dollars de dépenses B2B transiteront par des échanges entre agents d’IA. Si les transactions passent de plus en plus par des agents, la mesure des référencements vers le site web capturera une part plus faible du processus d’achat.

La mesure marketing a donc plusieurs missions distinctes : tester si les systèmes d’IA représentent les produits avec exactitude, rechercher des preuves que la découverte médiée par l’IA contribue à la demande, et relier cette influence aux résultats commerciaux lorsque c’est possible. Les taux de conversion issus du trafic référé par l’IA offrent un signal lorsque les référencements restent observables. Ils ne peuvent pas capturer une interaction qui influence un acheteur sans créer de référentiel traçable.

Cela modifie les décisions budgétaires. Une baisse du trafic organique n’établit pas à elle seule une baisse de l’influence commerciale, tout comme une hausse des référencements par l’IA n’établit pas une représentation exacte des produits. Les dirigeants ont besoin de preuves reliant l’activité machine observable à la demande et aux résultats économiques avant de modifier les dépenses. Cela déplace l’attention managériale du nombre de sessions vers les résultats commerciaux que ces sessions étaient censées représenter.

Les équipes marketing et techniques ont besoin d’un agenda de découverte par l’IA en deux volets

Le premier volet concerne la disponibilité de l’information. Les équipes de marque et marketing peuvent identifier les détails produit, les prix, les comparaisons, les informations de support et les promesses de marque qui comptent dans les décisions des clients. Les équipes web, SEO et d’ingénierie peuvent ensuite tester si les systèmes automatisés récupèrent ces éléments. Le HTML rendu côté serveur, les transcriptions, un texte alternatif utile, des titres clairs, des tableaux comparatifs, des FAQ, des fiches techniques et des métadonnées structurées peuvent exposer les informations pertinentes.

Les équipes peuvent commencer par des expérimentations ciblées. Austin recommande d’auditer le rendu avec curl ou un simulateur de bot ; comme ce conseil vient de Contentsquare, les dirigeants devraient l’évaluer en tenant compte de l’intérêt commercial de l’entreprise dans l’analyse de l’expérience numérique. Austin inscrit également l’exposition via API et l’architecture de serveur MCP dans la discussion d’ingénierie. Ces tests donnent aux équipes techniques un moyen direct de repérer les écarts entre les informations destinées aux acheteurs et celles que les machines peuvent récupérer.

Le second volet concerne la mesure. Les équipes analytics peuvent établir une base de référence qui sépare l’activité humaine et automatisée observable lorsque leurs outils le permettent, puis examiner le comportement de conversion par source identifiable et type de trafic. Les dirigeants peuvent également vérifier si les faits matériels sur la marque apparaissent avec exactitude lors de la découverte médiée par l’IA et comparer ces observations avec les signaux de demande et de ventes en aval. L’objectif est de distinguer les changements dans les référencements mesurables des changements dans l’influence commerciale.

L’exemple d’achat d’Austin montre pourquoi la représentation mérite son propre test. Elle a décrit l’utilisation d’une interface d’IA pour rechercher une paire précise de créoles en or avec des saphirs et recevoir des résultats sans pouvoir juger quelles marques étaient de haute qualité. « Les signaux de marque et les signaux de confiance restent nécessaires », a-t-elle déclaré. « Vous devez vous assurer que votre marque apparaît, qu’elle semble fidèle à la marque, et que l’expérience d’achat reste agréable. »

La responsabilité s’étend à la marque et au marketing, au web et au SEO, aux analytics et à l’ingénierie, car chaque fonction contrôle une partie différente du système. Les équipes de marque définissent les distinctions qui doivent survivre à la médiation machine. Les équipes techniques contrôlent la quantité d’informations que les machines peuvent récupérer, tandis que les équipes analytics déterminent ce que l’entreprise peut observer. La direction marketing décide ensuite quels résultats mesurés justifient l’investissement.

Principaux enseignements pour les dirigeants

• Optimiser pour la découverte médiée par l’IA : Les systèmes d’IA recherchent et résument de plus en plus les produits avant que les acheteurs n’atteignent un site web, ce qui affaiblit le trafic comme mesure complète de l’influence. Les responsables marketing doivent suivre l’exactitude de la représentation par l’IA en parallèle de la demande, de la conversion et des résultats de vente.
• Tester ce que les agents d’IA peuvent récupérer : Les pages fortement dépendantes de JavaScript peuvent exposer beaucoup moins d’informations aux agents d’IA qu’elles n’en montrent aux personnes ou à Google. Les équipes d’ingénierie et web devraient inspecter les URL importantes et s’assurer que les faits produit, les prix et les éléments différenciants apparaissent dans un HTML récupérable.
• Rendre le sens produit lisible par machine : Les vidéos, images et expériences interactives peuvent contenir des informations que les systèmes automatisés manquent. Les équipes de marque et de contenu devraient utiliser des transcriptions, un texte alternatif descriptif, des titres clairs, des spécifications et des métadonnées structurées pour préserver les détails commercialement importants.
• Étendre la mesure au-delà des référencements : La recherche assistée par l’IA peut influencer les achats sans créer de visite traçable sur le site web, ce qui rend l’attribution au niveau des sessions moins complète. Les équipes analytics devraient séparer les types de trafic identifiables et relier les signaux de découverte par l’IA à la demande et aux ventes en aval lorsque c’est possible.
• Coordonner la découverte par l’IA entre les fonctions : La marque, l’ingénierie, le SEO et les analytics contrôlent chacun une partie de la manière dont les systèmes d’IA récupèrent, représentent et mesurent les informations de l’entreprise. La direction marketing devrait mettre en place des tests partagés sur la disponibilité de l’information, l’exactitude de la marque et l’impact commercial.