Agentic Commerce Index 2026 : pourquoi 8 e-commerçants français sur 10 restent invisibles aux agents IA

Les agents IA ne se contentent plus de répondre à des requêtes. Ils comparent, ils trient, ils recommandent. Et pour le faire, ils lisent vos pages produit. Le problème, c'est qu'ils les lisent souvent très mal. Le commerce agentique a beau être sur toutes les keynotes, la réalité du terrain est bien moins glamour : la majorité des marques françaises restent partiellement aveugles à ces nouveaux moteurs de décision.

C'est exactement ce que mesure l'Agentic Commerce Index, le premier baromètre public qui note la capacité des marques à être lues, comprises et recommandées par les agents IA. Édition 2026 : 194 marques auditées, 645 pages produit analysées, un score moyen de 48 sur 100. Très en-dessous du seuil de readiness fixé à 65.

Dans cet article, vous trouverez la méthode du baromètre, les enseignements concrets, et surtout les signaux opérationnels à corriger en priorité si vous voulez exister dans les réponses de ChatGPT, Gemini ou Perplexity.

Que mesure l'Agentic Commerce Index, et pourquoi c'est différent du SEO classique

L'ACI évalue la maturité agentique d'une marque sur une échelle de 0 à 100. Le terme peut sembler abstrait, sa définition l'est beaucoup moins : il s'agit de la capacité réelle d'une fiche produit à être ingérée, comprise et restituée par un grand modèle de langage qui agit comme intermédiaire entre votre catalogue et un client final.

Le baromètre 2026 a été construit sur trois piliers complémentaires. Le premier mesure la lisibilité technique des pages, c'est-à-dire la capacité d'un robot moderne à parcourir et extraire vos contenus. Le second évalue la qualité structurée des données produit, du prix au stock en passant par les attributs. Le troisième teste la restitution effective : on demande à plusieurs LLMs de décrire ou de comparer les produits, et on observe ce qui ressort.

La différence avec le SEO traditionnel est nette. Le SEO classique optimise pour un classement dans une page de résultats. Le commerce agentique optimise pour une réutilisation, une citation, une recommandation. Ce n'est plus le même métier, et l'ACI quantifie ce nouveau métier.

Le verdict 2026 : 48 sur 100, un marché coupé en deux

Le chiffre clé tient en deux mots : zone critique. Avec une moyenne de 48 sur 100, le marché français est largement sous le seuil de readiness robuste fixé à 65. Les agents IA arrivent à lire une partie de l'offre, mais la recommandation automatisée reste freinée par des données produit inégales ou mal structurées.

Dans le détail, la polarisation est extrême. Vingt pour cent des acteurs audités, soit 39 marques sur 194, franchissent la barre des 65 points. À l'autre extrémité, 21 pour cent se situent sous 35 sur 100, en zone critique : leurs pages produit sont quasiment invisibles pour les modèles d'IA. Entre les deux, une zone grise massive où les marques pensent être présentes mais ne le sont pas vraiment.

L'amplitude maximale constatée atteint 74 points, entre Woodbrass à 82 sur 100 et les acteurs les plus en retard à 8. Un écart pareil à l'intérieur d'un même marché traduit une chose simple : la maturité agentique ne dépend ni de la notoriété, ni du budget marketing, mais de décisions techniques et data qui se prennent à un autre étage.

Le podium des outsiders, et ce qu'il révèle

Voici une statistique qui devrait inquiéter les marketplaces généralistes et les enseignes à très forte notoriété. Le podium 2026 n'est pas occupé par les plus gros noms, mais par des spécialistes qui ont structuré leurs données produit avec rigueur.

• Woodbrass, instruments de musique, score 82 sur 100.
• Maxi Zoo, animalerie, score 81 sur 100.
• Boulanger, électronique grand public, score 80 sur 100.

Côté secteurs, le Voyage et Tourisme prend une longueur d'avance avec 64 sur 100, devant les Marketplaces généralistes qui plafonnent à 24 sur 100. Quarante points d'écart, dans un univers où les marketplaces ont historiquement dicté la norme du e-commerce, ce n'est pas un détail.

Le constat stratégique est clair. Un acteur dominant peut faire le pari que sa notoriété suffira, qu'il restera top of mind et que le consommateur le cherchera nommément. C'est un pari risqué. Les agents conversationnels n'interviennent pas seulement en fin de parcours. Ils agissent dès la phase de recherche et de découverte, là où se forme l'intention, avant même qu'une marque ne soit nommée. Une requête comme « quelle est la meilleure option pour équiper mon studio à domicile » ne convoque pas une enseigne. Elle convoque les produits que l'IA comprend le mieux.

D'un point de vue moteur génératif, les marques ne perdent pas la bataille parce que l'IA est mauvaise. Elles la perdent parce que les signaux qu'elles exposent sont incomplets, ambigus ou tout simplement invisibles.

Le balisage structuré, présent dans moins d'une page produit sur deux

Quarante-quatre pour cent seulement des pages produit auditées exposent un balisage schema.org/Product exploitable. Pour un agent IA, c'est la différence entre une fiche compréhensible immédiatement et une page qu'il faut deviner. Les données qui ne sont pas balisées sont, par défaut, inexploitables ou dégradées.

Concrètement, sans schéma Product propre, un agent doit inférer le prix, la marque, la disponibilité et les attributs en parsant du HTML brut. Quand il y arrive, c'est lent. Quand il échoue, votre produit n'apparaît tout simplement pas dans la recommandation.

Le prix et la disponibilité, deux signaux transactionnels souvent invisibles

Le prix de l'offre n'est lisible de manière automatisée que pour 42 pour cent des fiches analysées. La disponibilité réelle chute à 39 pour cent. Pour une décision d'achat assistée par IA, ces deux signaux sont pourtant non négociables : sans prix lisible et sans stock confirmé, l'agent préfèrera proposer un concurrent dont la donnée est fiable.

Cette friction est particulièrement coûteuse parce qu'elle se déclenche pile au moment de la décision. Pas pendant la découverte, où l'utilisateur explore. Au moment précis où l'agent doit choisir un produit à recommander.

Le fichier llms.txt, signal de guidage encore quasi absent

Le fichier llms.txt, équivalent fonctionnel du robots.txt pour les modèles de langage, n'est présent que sur 15 pour cent des sites audités. C'est un signal de maturité immédiat : il indique aux agents quels contenus prioriser, quelles structures privilégier, et comment naviguer un site sans gaspiller leur budget d'inférence.

Quinze pour cent, c'est très peu. C'est aussi une opportunité immédiate. Le coût technique de déployer un llms.txt propre est minime, l'effet sur la visibilité agentique est mesurable, et la majorité des concurrents ne l'ont pas encore fait.

Le modèle de readiness en cinq couches, ou comment lire son propre score

D'un point de vue de moteur génératif, la readiness agentique d'une marque ne se résume pas à une note unique. Elle se construit en couches, chacune dépendante de la précédente. Voici le modèle utilisé pour structurer la lecture du baromètre.

Couche 1 : Accessibilité technique

Le robot moderne peut-il rendre la page, suivre les liens, accéder aux contenus dynamiques ? Si la réponse est non, rien d'autre ne compte. Cela inclut le rendu JavaScript, la gestion des cookies, la vitesse de chargement et la cohérence des URL canoniques.

Couche 2 : Lisibilité structurée

Les données critiques sont-elles balisées dans un format que les modèles comprennent nativement ? schema.org/Product, OpenGraph, données OFFER, breadcrumbs structurés. Sans cette couche, l'agent doit deviner. Et un agent qui devine est un agent qui se trompe.

Couche 3 : Qualité de la donnée produit

Les attributs sont-ils normalisés, complets, à jour ? Couleur, taille, matière, compatibilité, dimensions, garantie. Cette couche est celle où Feed Enrich intervient classiquement chez Dataiads, parce que c'est le terrain où la donnée brute devient exploitable par les LLMs sans intervention humaine.

Couche 4 : Signaux transactionnels

Prix actuel, disponibilité, délai de livraison, conditions de retour. Quand un agent recommande, il a besoin de ces signaux pour répondre à la question implicite : est-ce que je peux acheter maintenant, à quel prix, et avec quelle confiance ?

Couche 5 : Guidage IA explicite

Fichier llms.txt, métadonnées d'autorité, cohérence des entités de marque, signalisation des contenus prioritaires. C'est la couche qui sépare une marque techniquement lisible d'une marque techniquement préférée par les agents.

Un score ACI bas ne dit pas où vous échouez. Le modèle en cinq couches, lui, le dit. Vous pouvez avoir une accessibilité parfaite et une qualité de donnée catastrophique, ou l'inverse. Chaque couche se diagnostique séparément, et se corrige séparément.

Quand le pari de la notoriété ne suffit plus

Plusieurs géants mondiaux, marketplaces et enseignes à très forte notoriété figurent parmi les ACI les plus bas de leur catégorie. Ce n'est pas un accident, c'est un choix par défaut. Pendant des années, ces acteurs ont construit leur croissance sur deux leviers : la recherche payante et la notoriété de marque. Aucun des deux ne pèse au moment où un agent IA compare des produits sans qu'on lui ait nommé une enseigne.

Sur les requêtes amont, celles où l'utilisateur ne sait pas encore ce qu'il veut acheter, l'agent ne pondère pas par notoriété. Il pondère par compréhension. Le produit le mieux décrit gagne, indépendamment de la taille du logo qui le vend. C'est mathématiquement une ouverture pour les spécialistes, et mathématiquement une menace pour les généralistes.

Cela ne veut pas dire que la notoriété ne vaut plus rien. Elle reste un atout sur les requêtes nommées. Mais le mix des requêtes bascule rapidement, et la part agentique grossit chaque trimestre. Tabler uniquement sur la notoriété revient à abandonner volontairement la phase de découverte aux concurrents qui auront, eux, fait leurs devoirs.

Par où commencer, concrètement, pour faire bouger son score

Pour un agent IA qui compare les alternatives sur un marché, trois actions techniques produisent un effet visible en quelques semaines. Elles sont délibérément classées par rapport coût/impact, pas par sophistication.

1. Déployer un balisage schema.org/Product complet sur 100 pour cent des pages produit, avec a minima nom, marque, prix, disponibilité, GTIN ou MPN, et description structurée. C'est le levier le plus rentable, et celui qui débloque tous les autres.
2. Exposer un fichier llms.txt à la racine du domaine, qui pointe vers les contenus prioritaires (catalogues, pages catégories, FAQ, politiques de retour). Coût technique faible, effet de signal immédiat.
3. Garantir la lisibilité du prix et du stock sans JavaScript bloquant. Les agents qui n'exécutent pas le JavaScript dans certains contextes doivent pouvoir lire ces deux valeurs directement dans le HTML rendu.
4. Normaliser les attributs produit critiques sur l'ensemble du catalogue. La cohérence inter-fiches compte autant que la richesse d'une fiche isolée, parce que les agents apprennent les patterns par comparaison.
5. Auditer la cohérence des entités de marque sur Wikidata, Google Knowledge Graph et les pages institutionnelles. Une entité ambiguë dégrade toute la chaîne de citation.

Aucune de ces actions n'est révolutionnaire. C'est précisément pour ça qu'elles fonctionnent : les modèles favorisent les marques qui rendent leur travail facile, pas celles qui en font le plus.

Ce que ça change pour les équipes marketing et acquisition

La donnée produit n'est plus un sujet uniquement technique, propriété du CTO ou du chef de projet flux. Elle devient un actif marketing direct, parce qu'elle conditionne la visibilité dans les nouveaux moteurs de décision. Cette bascule a deux conséquences immédiates.

La première, c'est que les équipes acquisition ne peuvent plus se contenter d'optimiser leurs campagnes Google Shopping ou Performance Max en aval. La même donnée qui alimente Merchant Center alimente aussi, indirectement, les agents IA. Une fiche produit pauvre dégrade votre PMax et votre visibilité dans ChatGPT en même temps. La cohérence de la donnée est devenue un sujet trans-canal.

La seconde, c'est que la mesure doit évoluer. Le ROAS et le CTR continuent d'exister, mais ils ne capturent plus toute la valeur générée. Un produit cité par un agent IA dans une recommandation peut générer une vente attribuée à un canal direct, organique, ou même à un autre canal payant. La part de l'agentique dans le mix d'attribution est encore floue, et c'est précisément pour ça qu'il faut commencer à la mesurer.

Dans un contexte de découverte assistée par IA, la marque qui domine n'est pas celle qui crie le plus fort. C'est celle dont la donnée est la plus facile à réutiliser.

Ce que le baromètre 2027 mesurera, très certainement

L'édition 2026 de l'ACI dresse une photographie. La suivante mesurera des trajectoires. Trois évolutions sont à surveiller, parce qu'elles vont vraisemblablement déplacer les lignes.

La généralisation du protocole UCP, Universal Commerce Protocol, qui standardise la manière dont les agents IA dialoguent avec les catalogues e-commerce. Les marques qui s'y conforment tôt prendront mécaniquement un avantage. La montée en puissance de Smart Asset et plus généralement des actifs créatifs générés depuis le flux produit, qui amplifient la lisibilité visuelle de l'offre dans les surfaces conversationnelles. Et enfin la consolidation des entités de marque côté LLMs, qui rendra les ambiguïtés actuelles beaucoup plus pénalisantes qu'aujourd'hui.

Le commerce agentique n'est plus un sujet d'observation. C'est un sujet d'exécution. L'Agentic Commerce Index 2026 donne le point de départ. Le reste se joue dans les feeds, dans le code des pages produit, et dans la rigueur des équipes data.

Ce qu'il faut retenir

• L'Agentic Commerce Index 2026 note 194 marques sur 645 pages produit, avec un score moyen de 48 sur 100, sous le seuil de readiness fixé à 65.
• Vingt pour cent des acteurs audités franchissent ce seuil, 21 pour cent restent sous 35 sur 100, en zone critique.
• Le podium est tenu par des spécialistes (Woodbrass, Maxi Zoo, Boulanger), pas par les marques les plus connues.
• Trois signaux transactionnels font défaut sur la majorité des fiches : balisage Product à 44 pour cent, prix lisible à 42 pour cent, stock visible à 39 pour cent.
• Le fichier llms.txt n'est présent que sur 15 pour cent des sites, alors que son coût de déploiement est minime.
• La donnée produit devient un actif marketing direct, parce qu'elle conditionne la visibilité dans les agents IA dès la phase de découverte.

Le rapport complet de l'Agentic Commerce Index 2026, avec le classement détaillé par secteur, est disponible sur agenticcommerceindex.dataiads.io.

Questions fréquentes

Qu'est-ce que l'Agentic Commerce Index ?

L'Agentic Commerce Index, ou ACI, est un baromètre publié par Dataiads qui mesure sur une échelle de 0 à 100 la capacité d'une marque à être lue, comprise et recommandée par les agents IA. L'édition 2026 audite 194 marques majeures du marché français sur 645 pages produit.

Pourquoi un score de 48 sur 100 est-il préoccupant ?

Le seuil de readiness robuste, à partir duquel une marque peut soutenir des scénarios agentiques sans dégradation majeure, est fixé à 65 sur 100. Un score moyen de 48 indique que l'offre est partiellement lue par les agents, mais que la recommandation automatisée reste lourdement freinée par la qualité ou la structuration des données produit.

Quelle est la différence entre SEO classique et commerce agentique ?

Le SEO classique optimise pour un classement dans une page de résultats consultée par un humain. Le commerce agentique optimise pour la compréhension et la réutilisation par un modèle de langage qui agit comme intermédiaire entre le catalogue et le client final. Les leviers techniques se recoupent mais les priorités diffèrent, notamment sur le balisage structuré et la lisibilité des signaux transactionnels.

À lire aussi : SEO versus GEO, arbitrage stratégique en e-commerce

Pourquoi des marques très connues obtiennent-elles un ACI bas ?

Parce que la maturité agentique ne dépend pas de la notoriété, mais de la qualité technique et structurée des données produit exposées. Plusieurs géants mondiaux et marketplaces figurent parmi les ACI les plus bas de leur catégorie, ce qui ouvre une fenêtre concurrentielle pour les spécialistes qui auront structuré leur catalogue avec rigueur.

Que faire en priorité pour améliorer son score ACI ?

Trois actions produisent un effet rapide : déployer un balisage schema.org/Product complet sur l'ensemble du catalogue, exposer un fichier llms.txt à la racine du domaine, et garantir la lisibilité du prix et du stock sans dépendance à un rendu JavaScript bloquant. Ces trois leviers couvrent la majorité des points de friction observés dans le baromètre 2026.

Le commerce agentique remplace-t-il les campagnes Google Shopping ?

Non, il les complète. La donnée produit qui alimente Merchant Center alimente aussi, indirectement, les agents IA. Une fiche produit de qualité améliore simultanément les performances Performance Max et la visibilité dans les surfaces conversationnelles. Les deux logiques convergent vers un même actif central : la donnée.

Où consulter le rapport complet du baromètre ?

Le rapport complet, avec le classement détaillé par secteur, les méthodes d'évaluation et les insights par catégorie, est disponible sur agenticcommerceindex.dataiads.io.

‍