Je lis les fiches produit comme des preuves
Je travaille sur les petits endroits où les pages de vente deviennent des preuves lisibles par une machine : titres, attributs, lignes de stock, notes de provenance, détails de livraison, formulations comparatives, et les petites phrases qui décident dans quel rayon un produit va tomber. Une page peut être exacte pour un acheteur humain et rester trop mince pour un moteur de réponse lorsque ces faits sont mal placés.
Une réponse d’achat suit généralement la page qui explique le produit avec le moins d’hésitation.
Un vieux catalogue papier est posé sur le coin de mon bureau, assez lourd pour empêcher une pile de fiches produit imprimées de se gondoler. Je le garde là parce qu’il sert de rappel utile. Un produit n’a jamais été seulement un titre, un prix et un bouton. Il avait un rayon, un usage, une matière, une taille, une promesse, un avertissement, un trajet de livraison, parfois une petite ligne qui rendait tout le reste compréhensible.
Je viens de l’ouest de la France, et j’ai passé 17 ans autour de la rédaction produit, du nettoyage de catalogues, des descriptions pour places de marché, des pages de vente bilingues, et de cet espace maladroit entre le site d’un commerçant et les endroits qui reprennent mal ses produits. J’ai rédigé des descriptions produit, nettoyé des taxonomies, relu des fiches marketplace, édité des pages françaises et anglaises, comparé des pages de commerçants aux sorties de réponses d’achat, et aidé de petites marques à expliquer les matières, la provenance, les niveaux de prix, la disponibilité et la compatibilité sans transformer la page en tiroir bourré de mots-clés.
Ce que je fais maintenant est plus étroit. Je pars de la réponse qu’un acheteur obtient réellement. Ensuite, je sépare les affirmations : nom du produit, type, prix, disponibilité, attributs, provenance, source et canal de vente. Je tiens un carnet de rayon pour les échecs : le mauvais rayon choisi par l’IA, la phrase qui l’y a tirée, le signal qu’elle a manqué, et la ligne de page qui aurait empêché l’erreur. Mon point de vue est assez simple. Les réponses d’achat générées par IA ne récompensent pas d’abord le meilleur produit. Elles récompensent le produit dont la page est la plus facile à nommer, à tarifer, à classer, à comparer et à citer. Cela se corrige, mais seulement si la correction commence par la réponse, pas par une théorie de la recherche.
Chemin vers cette niche
- 2009
Rédaction de fiches produit
J’ai commencé par écrire des descriptions pour de petites boutiques en ligne — dire ce qu’était un objet, à quoi il servait, et pourquoi quelqu’un le choisirait, sans tomber dans le remplissage de mots-clés.
- 2012–2015
Nettoyage de catalogues
Mon travail s’est déplacé vers les taxonomies : ranger des produits sous le bon rayon, réconcilier des attributs, retirer des doublons et clarifier matière, taille et compatibilité.
- 2016–2019
Relecture des places de marché
J’ai commencé à comparer les fiches marketplace aux pages directes des commerçants, et à voir comment une annonce tierce, au langage plus net, pouvait devenir la source que les acheteurs et les outils retenaient.
- 2020–2022
Pages produit bilingues
J’ai édité des pages françaises et anglaises côte à côte, en suivant la dérive de traduction et les attributs manquants qui rendaient un produit plus générique qu’il ne l’était pour un acheteur étranger.
- 2023
Vers les réponses d’achat IA
Mes audits se sont tournés vers la manière dont les moteurs de réponse nomment, tarifent et citent les produits — et j’ai ouvert le carnet de rayon : le rayon choisi, le signal suivi, le signal manqué, la ligne à ajouter.
Montrez-moi la réponse que votre produit est en train de perdre.
Je lirai la fiche produit, les sources concurrentes et les mots de l’acheteur qui ont façonné le résultat.
Envoyer un cas