Commençons par l’essentiel : lorsque ChatGPT ou Perplexity répond à des questions comme « Combien coûte ce produit ? Est-il en stock ? Quelles sont ses caractéristiques ? », les informations citées ne sont généralement pas « lues » dans la page produit elle-même, mais dans son schéma Product. Sans ces données structurées, l’IA doit déduire le prix et la disponibilité à partir d’éléments dispersés dans la page. Si elle se trompe, elle risque de présenter comme exacts à des prospects en pleine comparaison un tarif vieux de trois mois ou la mention « rupture de stock » d’un produit pourtant réapprovisionné.
Le risque est particulièrement important en B2B, notamment dans le SaaS. Vos offres évoluent, vos tarifs sont révisés et les chiffres affichés sur le site ne sont parfois actualisés qu’une fois par trimestre. Or, si l’instantané consulté par l’IA ne précise pas jusqu’à quelle date le prix reste valable, le modèle ne peut pas savoir quand ce montant expire et continuera de l’utiliser. Le rôle du schéma Product est d’indiquer sans ambiguïté « quel chiffre la machine doit considérer comme fiable », au lieu de la laisser l’interpréter seule.
Pourquoi les moteurs d’IA privilégient les données structurées
Les moteurs d’IA ne lisent pas une page web comme un être humain. Nous nous appuyons sur la typographie et la hiérarchie visuelle pour en saisir les points clés. Le modèle, lui, cherche des faits qu’il peut extraire proprement sous la forme « sujet-attribut-valeur ». En JSON-LD, le schéma Product associe le nom du produit, sa marque, son SKU, son prix, sa devise et sa disponibilité à des paires clé-valeur. C’est presque comme fournir directement la réponse au modèle, sans lui demander de la déduire d’un paragraphe. Lorsque les caractéristiques diffèrent entre deux sources, celle dont les données structurées sont cohérentes l’emporte généralement. Le JSON-LD est par ailleurs préférable aux Microdata, car il regroupe les données structurées dans un bloc de script distinct du HTML de présentation. Il résiste ainsi mieux aux refontes. Google et Bing en font également leur format privilégié.
Le modèle Product minimal à mettre en production
Voici d’abord la version la plus légère que vous puissiez copier et mettre en ligne. Placez le JSON ci-dessous dans une balise script dont le type est défini sur application/ld+json, insérez-la dans la page produit, puis remplacez les valeurs. Les champs les plus souvent repris par l’IA sont le nom, la marque, le prix, la devise, la disponibilité et la période de validité du prix. Pour un abonnement SaaS, remplacez simplement le @type Product par SoftwareApplication : la propriété offers s’écrit de la même manière.
Décryptage champ par champ : que lit réellement l’IA ?
- name : le nom officiel du produit, identique au titre principal de la page. N’y ajoutez pas de slogan publicitaire. Lorsqu’elle vous cite, l’IA reprend directement cette valeur comme « nom du produit ».
- brand : l’objet correspondant à la marque, avec Brand comme @type. Dans un contexte B2B, ce champ est essentiel pour permettre à l’IA de déterminer à qui appartient le produit.
- sku et gtin : les identifiants uniques. Le SKU sert à l’identification interne. Lorsqu’un GTIN existe, l’IA peut s’en servir pour comparer plusieurs sites et déterminer s’ils présentent le même produit.
- price et priceCurrency : ces informations doivent être séparées en deux champs. price ne contient que des chiffres bruts — 39000, sans écrire NT$39,000 ni ajouter de virgule. priceCurrency utilise un code ISO 4217 : TWD pour le dollar taïwanais et USD pour le dollar américain.
- availability : l’état du stock doit utiliser une valeur d’énumération de schema.org, comme https://schema.org/InStock, OutOfStock ou PreOrder. N’écrivez pas vous-même la mention « en stock ».
- priceValidUntil : la date jusqu’à laquelle ce prix reste valable. Ce champ, trop souvent oublié, devrait systématiquement être renseigné en B2B. Sans lui, l’IA ne peut pas savoir quand votre tarif ou votre devis cesse d’être valide.
Prix et disponibilité : les deux informations que l’IA restitue le plus souvent de travers
Lorsqu’un prix est erroné, le problème vient du format dans 90% des cas. Le champ price ne doit contenir qu’un nombre. Dès que vous ajoutez un symbole monétaire ou une virgule pour séparer les milliers, l’analyse échoue et l’IA peut ignorer toute l’offre, ce qui revient à ne rien avoir balisé. Les erreurs de disponibilité surviennent le plus souvent lorsque l’interface est mise à jour sans que le schéma suive : vous retirez le produit de la vente dans le back-office et la page l’affiche comme épuisé, tandis que les données structurées indiquent toujours InStock. Cette incohérence induit l’IA en erreur et peut également conduire Google à considérer la page comme trompeuse et à la déclasser. La solution pragmatique consiste à générer dynamiquement price, availability et priceValidUntil à partir de la base de données produit, plutôt qu’à les saisir manuellement dans le modèle. À chaque évolution du tarif ou du stock, le schéma est alors synchronisé automatiquement.
Faut-il ajouter des notes et des avis ?
aggregateRating et review peuvent augmenter vos chances d’être cité et permettre à l’IA d’intégrer de la preuve sociale dans ses réponses. Deux lignes rouges restent toutefois à respecter. Premièrement, les notes présentes dans les données structurées doivent correspondre à des avis réellement visibles par les internautes sur la page. Google interdit explicitement d’inscrire des notes uniquement dans le schéma lorsqu’elles sont introuvables sur la page. En cas d’infraction, vous vous exposez à une action manuelle. Deuxièmement, les SaaS B2B disposent souvent de peu d’avis publics : ajouter une note artificiellement présente alors plus de risques que d’avantages. Si vous n’avez pas d’avis authentiques, n’en affichez pas. Mieux vaut renseigner clairement les trois éléments essentiels — caractéristiques, prix et disponibilité — pour améliorer votre taux de citation.
L’IA ne vous citera pas parce que votre page produit est plus esthétique. Elle citera le jeu de données qu’elle estime le moins susceptible d’être erroné. Le schéma Product sert précisément à faire de vos données cette référence.— Tenten GEO
Après la mise en ligne, comment vérifier que l’IA a bien lu vos données ?
- Collez l’URL dans le test des résultats enrichis de Google ou dans Schema Markup Validator. Vérifiez que Product et Offer ne comportent aucune erreur et qu’aucun champ obligatoire ne manque.
- Consultez les rapports relatifs aux produits dans Search Console pour confirmer que Google a correctement interprété le balisage et qu’aucun avertissement n’apparaît.
- Interrogez directement l’IA : dans ChatGPT et Perplexity, testez des questions comme « Combien coûte le produit
- Après chaque modification de prix ou de disponibilité, refaites le test pour vérifier que les données structurées et l’interface publique ont été mises à jour simultanément. C’est la faille la plus fréquente et la plus facile à négliger.
Trois erreurs qui invalident l’ensemble du balisage
- Le prix est saisi comme une chaîne comprenant un symbole — par exemple NT$39,000 : l’analyse échoue immédiatement et l’IA ignore toute l’offre.
- Le schéma ne correspond pas à ce qu’affiche la page : indiquer InStock alors que le produit est présenté comme épuisé sera considéré comme trompeur.
- La page présente plusieurs produits, mais un seul est balisé : sur une page de comparaison d’offres ou une page de liste, utilisez ItemList ou balisez chaque offre avec son propre Product.
Aligner le schéma Product est l’une des actions offrant le meilleur retour dans une mise en œuvre technique du GEO : le coût est faible et l’IA peut exploiter presque immédiatement les chiffres que vous avez renseignés. La difficulté n’est pas d’écrire ce JSON, mais de veiller à ce que les données structurées de chaque page du site soient complètes, exactes et synchronisées avec l’interface publique. C’est d’ailleurs l’un des principaux points que nous contrôlons page par page lors de nos audits GEO. Si vous ne savez pas quels champs de votre page produit sont absents ou mal renseignés, ou si vous souhaitez découvrir comment l’IA présente actuellement votre produit et son prix, vous pouvez réserver un diagnostic GEO de 30 minutes. Nous interrogerons l’IA à partir de votre produit réel, puis vous montrerons les écarts constatés et les corrections à traiter en priorité.
