Google AI Mode affiche des prix différents pour les mêmes produits

Être bien classé dans le carrousel produits de Google ne veut plus dire que vous serez affiché de la même façon dans AI Mode. De nouvelles données de Productrise suggèrent que Google peut afficher des produits différents, des vendeurs différents et des prix différents pour la même requête shopping, y compris le même jour. Pour les équipes ecommerce, cela change la donne : la visibilité shopping dans l’IA est désormais un terrain de bataille à part entière.

Le problème, concrètement, est simple. AI Mode affiche une shortlist beaucoup plus courte que le carrousel classique, donc le vendeur et le prix affichés en premier peuvent influencer la décision de l’acheteur avant même qu’il compare les alternatives. Si votre marque part du principe qu’une forte visibilité en annonces gratuites se propage automatiquement à AI Mode, ce jeu de données montre le contraire.

• Seulement 1,28 % des produits du carrousel classique apparaissaient aussi dans AI Mode pour la même requête et le même jour.
• Lorsque le même produit apparaissait aux deux endroits, le vendeur principal différait dans 49,6 % des cas.
• Les prix de tête différaient dans 38,1 % des cas, et AI Mode affichait le prix le plus élevé dans 68,4 % de ces situations.
• Pour le SEO ecommerce et le GEO, la visibilité dans le carrousel et la visibilité dans AI Mode doivent désormais être mesurées séparément.

Que montrent réellement les données ?

Le constat le plus net est celui de la divergence. Selon Productrise, qui a suivi plus de 2 millions de fiches produits à travers plus de 100 000 résultats de recherche classiques et réponses AI Mode entre le 9 et le 31 août 2026, les deux surfaces shopping de Google n’étaient souvent pas d’accord sur ce qu’elles devaient afficher pour la même recherche. L’analyse a comparé des requêtes centrées sur des produits aux États-Unis et au Royaume-Uni, puis a apparié les produits à l’aide de l’identifiant produit de Google.

Cette méthodologie compte. Du côté de la SERP classique, la comparaison ne portait que sur le carrousel Produits populaires. Du côté d’AI Mode, elle examinait les cartes produit affichées dans la réponse. Autrement dit, il ne s’agissait pas d’une comparaison vague entre deux moments de recherche différents. C’était un contrôle à requête identique et à jour identique de ce que les acheteurs voyaient réellement en premier.

Il y a un autre chiffre que les équipes ecommerce ne devraient pas ignorer. Sur l’ensemble des produits appariés, y compris les cas où le prix affiché restait identique, les prix d’AI Mode étaient en moyenne 21,6 % plus élevés que ceux du carrousel. Productrise a aussi noté que lorsque AI Mode affichait le prix le plus élevé, l’écart médian était de 22,2 %, tandis que certains cas extrêmes tiraient la moyenne vers le haut. Quand AI Mode était moins cher, l’écart médian était de 7,8 %.

Cela ne prouve pas que Google favorise volontairement les offres les plus chères. En revanche, cela prouve quelque chose de moins spectaculaire, mais de plus important : le contexte d’achat que l’utilisateur voit dans AI Mode n’est souvent pas le même que celui qu’il verrait dans le module Shopping classique.

Pourquoi le même produit peut-il sembler différent au sein du même écosystème Google ?

La réponse courte, c’est qu’une source de données commune ne garantit pas une logique de sélection identique. Google a indiqué ne pas avoir vérifié le rapport, mais a aussi précisé que tous les résultats shopping sur Google Search sont alimentés par la même source de données, le Shopping Graph. Cela signifie que l’univers brut des produits peut être partagé, alors que la couche de présentation et les choix de classement restent différents.

La documentation d’aide de Google explique d’ailleurs que le Shopping Graph est utilisé sur les résultats de recherche, les annonces, YouTube et les fonctionnalités d’IA générative, à partir des noms de produits, descriptions, prix, images et avis fournis par les marques, les détaillants et d’autres fournisseurs de contenu. La nuance importante est la suivante : un graphe commun n’est pas la même chose qu’une interface commune. Une surface peut toujours sélectionner une offre différente, un marchand différent ou un sous-ensemble d’articles différent à partir du même réservoir.

C’est d’autant plus plausible lorsqu’une expérience affiche près de 28 produits et que l’autre en affiche moins de 4. Un grand carrousel peut se permettre d’exposer davantage d’options. Une réponse IA, elle, doit compresser le champ des possibles. Cette compression modifie la pression sur le classement. Elle oblige Google à décider non seulement quel produit est pertinent, mais aussi quelle offre exacte mérite la première place dans un bloc de recommandations beaucoup plus restreint.

Un exemple simple permet de le rendre concret. Imaginez qu’un acheteur recherche une paire précise de chaussures de course. Dans le carrousel, il peut voir plusieurs marchands et plusieurs niveaux de prix en même temps. Dans AI Mode, il peut au contraire voir une carte principale d’un seul vendeur. Si ce vendeur est différent, ou si la carte reflète une autre condition, un autre bundle ou un autre niveau de fraîcheur, la première impression de l’acheteur change, même si l’identité du produit sous-jacent est techniquement la même.

Hugo Huijer, fondateur de Productrise, a écrit que le prix le plus bas pèse moins dans AI Mode. C’est une interprétation, pas une règle démontrée, mais elle colle au schéma observé dans l’étude. Elle correspond aussi à ce que font beaucoup d’interfaces IA par conception : simplifier l’étape de comparaison pour l’utilisateur, même si cela signifie afficher moins d’alternatives au départ.

Il y a un dernier point subtil qui empêche cette histoire de devenir du pur clickbait. En cliquant sur un produit d’un côté ou de l’autre, on peut ouvrir un panneau présentant d’autres vendeurs et d’autres prix. L’offre affichée en premier n’est donc pas la seule disponible. Malgré tout, la plupart des utilisateurs réagissent au premier chiffre qu’ils voient. Si AI Mode change ce chiffre ou ce vendeur, il change la réalité commerciale de la SERP.

Qu’est-ce que cela change pour le SEO ecommerce et le GEO ?

Cela change d’abord le modèle de mesure. Pour les marques ecommerce, c’est désormais autant un problème de GEO qu’un problème de flux produit. Votre visibilité de recherche IA peut diverger fortement de votre visibilité dans le carrousel, même lorsque Google s’appuie sur la même infrastructure commerciale globale.

C’est là le principal enseignement stratégique. Les annonces gratuites classiques restent importantes. L’hygiène du Merchant Center reste importante. La complétude des flux reste importante. Mais les chiffres de Productrise suggèrent que tout cela ne suffit plus à prédire ce qu’AI Mode recommande. Si seulement 1,28 % des produits du carrousel apparaissaient aussi dans AI Mode le même jour pour la même requête, alors une bonne position dans le carrousel est un faible indicateur d’exposition dans l’IA.

Ce constat révèle aussi un angle mort de reporting. Les insights de performance IA de Google dans Merchant Center aident les marques à comprendre la découverte dans AI Mode et AI Overviews via des métriques comme la part de voix, les produits affichés, les intentions de recherche et les attributs produits manquants. Utiles, oui. Complets, non. Comme la documentation et l’étude le montrent ensemble, ces rapports ne disent pas quel vendeur ni quel prix exact AI Mode a placé devant l’utilisateur.

C’est pourquoi ce sujet dépasse le seul SEO technique. Il touche au merchandising, à la tarification, aux opérations de flux et au contrôle de marque. Si le marchand visible change dans presque la moitié des cas pour des produits appariés, alors AI Mode ne se contente pas de refléter votre catalogue. Il façonne un moment de recommandation.

Nous avons formulé un point proche dans notre article sur le fait que Google transforme Merchant Center en tableau de bord de visibilité shopping IA. Les rapports natifs de la plateforme sont utiles pour obtenir un signal directionnel, mais ils ne remplacent pas l’observation de la réponse réelle reçue par l’acheteur. L’interface compte, car c’est là que se forme la perception du client.

Il y a aussi un angle concurrentiel. Dans le shopping IA, la recommandation et l’attribution peuvent se dissocier. Une marque peut être pertinente, tout en laissant la couche IA mettre en avant un autre marchand, un autre revendeur ou une autre source de preuve. C’est pourquoi les équipes ecommerce doivent de plus en plus traiter la visibilité produit, la visibilité marchand et le message commercial comme des couches distinctes, et non comme un seul résultat SEO fusionné.

L’analyse de BotRank

La leçon la plus importante ici n’est pas qu’AI Mode pourrait afficher un prix plus élevé. C’est que la plupart des équipes ecommerce n’ont toujours pas une observabilité propre de la manière dont les expériences shopping IA cadrent leurs produits. Merchant Center peut vous apprendre certaines choses sur la découverte IA, et les outils SEO classiques peuvent vous apprendre certaines choses sur les classements, mais aucun des deux ne répond complètement à une question commerciale de base : qu’a vu l’acheteur en premier, exactement ?

C’est là que la fonctionnalité Analyse de visibilité multi-LLMs de BotRank devient vraiment utile. Elle permet aux équipes d’exécuter des prompts répétables dans différents systèmes d’IA et de suivre la manière dont les marques apparaissent dans le temps, au lieu de se fier à quelques vérifications manuelles ponctuelles. Dans ce genre de cas, l’associer à Analyse des sources est encore plus précieux, car cela aide à examiner quelles pages et quels domaines les systèmes d’IA semblent privilégier au moment de formuler la réponse. Cela ne résout pas magiquement les écarts de vendeur ou de prix. En revanche, cela vous donne un moyen de séparer trois problèmes que trop d’équipes continuent de mélanger : la qualité du flux, la visibilité de la réponse IA et la preuve de recommandation.

Que doivent faire les équipes ecommerce maintenant ?

La réponse consiste à industrialiser la comparaison, pas à paniquer. Cette étude ne signifie pas qu’AI Mode est cassé. Elle signifie que l’ancien raccourci consistant à utiliser la performance du carrousel comme substitut à la performance shopping dans l’IA n’est plus sûr.

• Suivez les mêmes requêtes sur les deux surfaces. Commencez par vos SKU qui génèrent le plus de revenus et vos termes de catégorie. Mettez en place une routine légère de surveillance des prompts, ou formalisez-la avec Prompts Studio, afin que la comparaison soit faite de manière cohérente et pas seulement lorsqu’une anomalie est repérée par hasard.
• Créez un journal des écarts vendeur-prix. Pour chaque requête importante, documentez le vendeur principal, le prix affiché, l’état du produit et la page d’atterrissage dans les deux expériences. Une marque de chaussures, par exemple, peut découvrir qu’AI Mode favorise de manière récurrente les stocks de places de marché, alors que le carrousel met plus souvent en avant les partenaires de vente directe.
• Auditez la cohérence du flux et des pages de destination. Les prix, la disponibilité, les libellés d’état, les accessoires inclus et la gestion des variantes méritent tous d’être passés en revue. Si vos équipes internes ont besoin d’aide pour transformer ces constats en actions, la fonctionnalité Recommandations de BotRank est utile, car elle transforme les problèmes de visibilité récurrents en file d’optimisation concrète.
• Améliorez la preuve produit, pas seulement la conformité. Des titres riches, des attributs complets, des détails produits clairs et des pages marchands solides donnent à Google davantage de confiance dans la façon de présenter un article. C’est aussi l’une des raisons pour lesquelles notre article sur le fait de savoir pourquoi AI recommande votre concurrent compte également pour le retail : la qualité de la recommandation est souvent un problème de preuve avant d’être un problème de classement.
• Séparez mention, recommandation et citation. Une marque peut être pertinente dans la réponse alors qu’un autre vendeur, marketplace ou éditeur obtient le crédit visible. Nous avons abordé cette séparation dans notre analyse de l’écart entre recommandations IA et citations, et les équipes ecommerce devraient s’attendre à la même fragmentation dans les parcours shopping.

Remarquez ce qui n’apparaît pas dans cette liste : les bidouilles GEO aléatoires. Il ne s’agit pas de manipuler un prompt. Il s’agit de rendre la version IA de vos informations produit aussi cohérente, fiable et mesurable que la version orientée SEO.

Quelles sont les limites de cette étude ?

Les données sont utiles, mais elles ne constituent pas une vérité universelle pour chaque requête shopping sur Google. Productrise a lui-même laissé en évidence des réserves importantes, et les équipes avisées doivent les garder à l’esprit.

• L’échantillon était centré sur les produits, pas aléatoire. Les requêtes portaient surtout sur les produits suivis par Productrise, donc il ne s’agit pas d’un échantillon représentatif de l’ensemble du comportement shopping sur Google.
• L’étude mesurait ce qui s’affichait à l’écran, pas ce que les utilisateurs achetaient. Elle ne peut pas nous dire si les acheteurs ont finalement cliqué pour comparer les marchands ou s’ils ont acheté au premier prix affiché.
• Elle n’explique pas complètement la causalité. La sélection d’un vendeur différent peut refléter la logique de classement, la fraîcheur du stock, la complétude du flux, des différences d’état du produit ou des choix d’interface. L’étude prouve une divergence, pas la raison exacte de cette divergence.
• Certains écarts de prix ont été influencés par des valeurs extrêmes. Productrise a explicitement cité des exemples comme un article d’occasion dans le carrousel comparé à un article neuf dans AI Mode, ce qui peut gonfler l’écart moyen.

Cette nuance est importante, car la mauvaise réaction ici serait le théâtre de l’indignation. La meilleure réaction est un scepticisme opérationnel. Traitez ces résultats comme un avertissement indiquant qu’AI Mode mérite un suivi direct, et non comme la preuve que tous les résultats shopping IA sont moins bons pour les utilisateurs ou injustes pour les marchands.

FAQ

Un bon classement dans Produits populaires garantit-il la visibilité dans AI Mode ?

Non. Dans ce jeu de données, seulement 1,28 % des produits du carrousel apparaissaient aussi dans AI Mode pour la même requête, le même jour. Cela fait du classement dans le carrousel un indicateur faible de la visibilité dans AI Mode.

Pourquoi AI Mode afficherait-il un prix plus élevé pour le même produit ?

L’explication la plus probable est qu’AI Mode peut choisir un vendeur principal différent ou un contexte d’offre différent à partir du même graphe produit. Cela ne signifie pas toujours que les données sont mauvaises, mais cela veut dire que la première impression de l’acheteur peut changer.

Merchant Center suffit-il pour suivre la performance shopping dans l’IA ?

Pas à lui seul. Les rapports IA de Merchant Center aident à suivre les tendances de visibilité et les métriques de part de voix, mais ils n’exposent pas chaque choix de vendeur ou de prix affiché dans AI Mode. Il faut toujours observer directement la couche de réponse.

Que doivent optimiser les marques en premier ?

Commencez par les bases qui influencent la confiance et la comparabilité : cohérence des prix, attributs produits complets, données exactes sur l’état et la disponibilité, et contrôles récurrents sur vos principales requêtes. Ensuite, construisez un workflow de surveillance répétable pour qu’AI Mode cesse d’être un angle mort.

La conclusion est claire : cessez de traiter Google AI Mode comme un miroir du carrousel Shopping. Auditez vos principales requêtes produit dans les deux vues, suivez les points où vendeurs et prix divergent, et mettez en place un processus qui transforme ces écarts en actions. Si votre équipe veut un moyen plus rapide de mesurer cette nouvelle couche de visibilité ecommerce, BotRank vous donne le workflow de monitoring et de diagnostic pour le faire sans avancer à l’aveugle.