Google transforme Merchant Center en tableau de bord de visibilité shopping IA

Google a fait de la visibilité shopping en IA un KPI retail mesurable. Merchant Center reçoit des analyses de performance IA qui montrent comment les produits apparaissent dans les expériences d'achat alimentées par l'IA de Google grâce à la part de voix, aux performances de l'entonnoir, aux termes conversationnels populaires liés aux produits et aux lacunes d'attributs produits dans les flux. Pour les équipes e-commerce, cela fait passer la gestion des flux de l'hygiène du catalogue au travail de découvrabilité pour l'IA. citeturn1view0turn4view0

Qu'est-ce que Google a exactement ajouté à Merchant Center ?

En termes simples, Google donne aux retailers un rapport natif sur la visibilité shopping en IA. Le déploiement est en cours pour les annonceurs aux États-Unis, au Canada, en Australie, en Inde et en Nouvelle-Zélande dans les mois à venir, et Google présente cela comme un moyen de comprendre comment une marque performe sur ses surfaces IA. citeturn1view0turn4view0

• Part de voix : compare votre visibilité à celle de retailers ou de marques similaires dans les expériences shopping IA. citeturn1view0turn4view0
• Performance de l'entonnoir d'achat : montre comment les produits performent aux étapes de découverte, d'évaluation et d'achat. citeturn1view0
• Insights sur les termes produits : met en avant des requêtes conversationnelles populaires liées au shopping dans votre catégorie. citeturn1view0
• Insights sur les attributs produits : signale les spécifications structurées manquantes ou incomplètes dans le flux, comme la couleur, le matériau ou le style. citeturn1view0

Cette combinaison est importante parce qu'elle relie la visibilité aux éléments que les retailers peuvent réellement contrôler. Si une marque de canapés apprend qu'elle apparaît lors de la phase de découverte mais disparaît à l'évaluation, le problème est très différent d'une marque qui n'apparaît jamais. Dans le premier cas, il faut peut-être des spécifications plus riches et un langage de comparaison plus clair. Dans le second, il peut s'agir d'un problème de couverture du flux.

Pourquoi est-ce important maintenant ?

Parce que la recherche shopping devient plus conversationnelle, et Google construit clairement Merchant Center autour de cette réalité. Dans sa mise à jour shopping du 20 mai 2026, Google a déclaré que les gens viennent chaque jour sur AI Mode et Gemini pour faire leurs achats, et que des descriptions de produits solides sont essentielles pour être découvert à l'ère de l'IA. citeturn4view0

C'est le changement plus large derrière ce lancement. Pendant des années, de nombreux retailers ont traité Merchant Center comme une couche de conformité : faire approuver les produits, corriger les refus, puis passer à autre chose. Les nouveaux rapports de Google montrent autre chose. Les données produit sont désormais un input de classement et de recommandation pour les parcours d'achat pilotés par l'IA. citeturn1view0turn4view0

Prenons l'exemple d'un retailer beauté. Si les acheteurs demandent un écran solaire léger qui fonctionne sous le maquillage, les flux de l'ère du mot-clé peuvent ne pas capturer clairement cette intention. Les flux de l'ère de l'IA doivent comporter des attributs complets, des descriptions plus claires et des détails produits complémentaires qui correspondent à la manière dont les vraies personnes posent leurs questions.

Que devraient faire les retailers de ces insights en premier ?

La réponse courte est de corriger les lacunes de données avant de courir après plus de trafic. Le cadrage de Google oriente les retailers vers la complétude du flux et le détail produit en langage naturel, pas seulement vers des dépenses média plus agressives. citeturn1view0turn4view0

• Commencez par les attributs manquants. Si les insights sur les attributs produits montrent des lacunes sur la couleur, le matériau, le style ou d'autres spécifications, corrigez-les d'abord. Des données structurées manquantes rendent plus difficile pour les systèmes d'IA de faire correspondre avec confiance vos produits à des requêtes d'achat nuancées. citeturn1view0
• Ajoutez du détail conversationnel là où c'est utile. Google permet désormais aux retailers d'utiliser des attributs conversationnels optionnels dans Merchant Center, notamment question_and_answer, document_link, related_product, item_group_title, variant_option et popularity_rank. Google indique que ces attributs aident les systèmes d'IA et les agents conversationnels à comprendre les nuances produit, et ils peuvent être ajoutés via un flux complémentaire, un flux principal ou l'API Merchant. citeturn5view0
• Utilisez les insights de termes comme recherche voix du client. Si Google montre les termes conversationnels qui font apparaître les produits dans votre catégorie, ce langage devrait influencer le texte des pages produit, les FAQ, les modules de comparaison et l'enrichissement du flux. citeturn1view0
• Lisez l'entonnoir, pas seulement le chiffre de visibilité principal. Les gains en phase de découverte sont utiles, mais ils ne sont pas identiques à la force en phase d'évaluation ni à la préparation à l'achat. Les découpages de l'entonnoir aident à distinguer « les gens nous ont vus » de « les gens nous ont préférés ». citeturn1view0

Exemple pratique : si une marque de chaussures de running observe une forte visibilité en découverte pour les chaussures de trail mais une faible performance en évaluation, le prochain pas n'est probablement pas une autre campagne. Il s'agit plutôt d'une taille plus claire, du type de terrain, de l'amorti, du poids et des données d'usage selon la météo, plus un texte qui répond aux questions qu'un acheteur poserait à voix haute.

L'avis de BotRank

La mise à jour de Google est importante parce qu'elle transforme la visibilité IA en métrique de tableau de bord, et non en crainte vague dans l'équipe marketing. Mais il s'agit toujours d'une vue native de la plateforme. Merchant Center peut vous dire comment vos produits performent sur les surfaces IA de Google, ce qui est précieux, mais cela ne peut pas constituer à lui seul votre stratégie complète de mesure de la recherche IA. citeturn4view0turn1view0

C'est précisément là que la fonctionnalité AI Visibility de BotRank devient utile. Elle permet aux équipes d'exécuter des prompts réutilisables sur plusieurs LLM, de suivre la visibilité dans le temps, de comparer les performances modèle par modèle et d'inspecter les entités, le sentiment, les mots-clés et les sources citées derrière les réponses. Cela compte quand la même catégorie de produits est influencée non seulement par Google Shopping, mais aussi par Gemini, ChatGPT, Perplexity et d'autres moteurs de réponse. La bonne approche n'est pas de remplacer les rapports de Merchant Center. C'est d'utiliser les insights natifs de Google pour Google, puis de comparer le paysage plus large de la recherche IA avant qu'un concurrent ne définisse votre histoire de marque à votre place.

Quelles sont les limites du nouveau rapport de Google ?

La réponse utile est qu'il s'agit d'une couche de diagnostic solide, mais pas d'une image complète du marché. Google positionne l'outil autour de ses propres surfaces d'achat IA et d'un benchmark relatif par rapport à des marques similaires, donc les retailers devraient le considérer comme une vue de performance directionnelle à l'intérieur de l'écosystème Google. citeturn4view0turn1view0

Cela signifie deux choses. Premièrement, la part de voix est utile pour la comparaison, mais elle n'explique pas pourquoi un concurrent continue d'être recommandé. Deuxièmement, l'insight sur les attributs manquants n'est valable que si vous mettez en place un processus opérationnel pour corriger les flux, mettre à jour les pages produits et maintenir l'alignement des données structurées.

Autrement dit, le tableau de bord fera apparaître le symptôme. Les équipes doivent encore disposer d'un workflow reproductible pour diagnostiquer la cause et déployer la correction.

FAQ

Que sont les analyses de performance IA dans Merchant Center ?

Ce sont de nouveaux rapports Merchant Center qui montrent comment les produits d'une marque performent dans les expériences d'achat IA de Google, notamment la part de voix, la performance de l'entonnoir, les insights sur les termes produits et les insights sur les attributs produits. citeturn1view0turn4view0

Quels pays bénéficient du déploiement en premier ?

Google indique que la fonctionnalité sera déployée dans les mois à venir aux États-Unis, au Canada, en Australie, en Inde et en Nouvelle-Zélande. citeturn1view0turn4view0

Que sont les attributs conversationnels ?

Les attributs conversationnels sont des champs optionnels de Merchant Center conçus pour aider les systèmes d'IA et les agents conversationnels à comprendre les nuances produit. Google cite par exemple question_and_answer, document_link, related_product, item_group_title, variant_option et popularity_rank. citeturn5view0

Les attributs conversationnels remplacent-ils le flux produit principal ?

Non. Google les décrit comme des ajouts optionnels qui complètent la spécification principale des données produit, et précise qu'ils peuvent être envoyés via un flux complémentaire, le flux principal ou l'API Merchant. citeturn5view0

S'agit-il d'un problème de SEO ou de flux ?

C'est les deux. Les nouveaux rapports de Google se concentrent sur la qualité du flux et des attributs dans Merchant Center, mais le même langage conversationnel et le même niveau de détail produit structuré devraient aussi influencer les pages produit si vous voulez une découvrabilité plus forte dans les expériences de recherche IA. citeturn1view0turn4view0turn5view0

Google a désormais rendu une chose explicite : la visibilité shopping en IA peut être mesurée, comparée et améliorée dans Merchant Center. Les équipes retail qui traitent les données produit comme un actif vivant de découvrabilité, et non comme un export de flux statique, auront une longueur d'avance. citeturn1view0turn4view0 Si vous voulez cette vue au-delà de l'écosystème de Google, BotRank est la couche logique suivante.