Agent Cards : Le Format de Données Produit Conçu pour le Commerce IA
Les Agent Cards sont l'unité atomique des données produit prêtes pour l'IA. Découvrez comment des représentations produit structurées et sémantiquement enrichies alimentent à la fois les conseillers IA on-site et la visibilité en recherche IA off-site.
Le Flux Produit Standard n'a Pas Été Conçu pour l'IA
Votre flux produit fonctionne. Il transmet les SKU, titres, descriptions, prix, URLs d'images, catégories et disponibilités à Google Shopping, aux places de marché, aux comparateurs. Il a été conçu pour deux consommateurs : les humains qui parcourent les pages produit et les moteurs de recherche qui indexent les mots-clés. Aucun des deux n'est un agent IA.
Les agents IA ne naviguent pas. Ils ne défilent pas dans les pages catégorie et ne parcourent pas les images produit. Ils raisonnent. Ils comparent des attributs structurés, évaluent des cas d'usage par rapport à l'intention de l'acheteur, croisent les restrictions et synthétisent des recommandations à partir de dizaines de points de données simultanément. Quand un agent IA rencontre une entrée de flux produit standard, il obtient un titre, un bloc de prose marketing et un prix. Ce n'est pas suffisant pour recommander quoi que ce soit de manière fiable.
L'écart est structurel. Un flux Google Shopping indique à un algorithme où positionner un produit. Un agent IA doit comprendre ce qu'est le produit, à qui il s'adresse, quelles affirmations peuvent être faites à son sujet, et ce qui ne doit jamais être dit. Ce sont des exigences fondamentalement différentes, et le format qui répond à l'une ne peut pas répondre à l'autre sans une nouvelle couche.
Ce Dont un Agent IA a Besoin pour Recommander un Produit
Imaginez qu'un acheteur demande à un agent IA : « J'ai besoin d'un hydratant pour peau sèche et sensible. J'ai 45 ans et je préfère les produits sans parfum à moins de 60 euros. »
Pour répondre de manière fiable, l'agent a besoin d'attributs structurés (compatibilité type de peau, tranche d'âge, statut parfum), non pas enfouis dans un paragraphe de texte marketing mais sous forme de champs discrets et interrogeables. Il a besoin de cas d'usage explicites : « idéal pour peau sèche, 40 ans et plus, usage quotidien ». Il a besoin d'allégations sourcées : « contient 10 % d'acide hyaluronique, testé sous contrôle dermatologique, étude clinique réf. #4421 ». Il a besoin de restrictions : « ne pas utiliser avec des produits au rétinol, éviter en cas d'allergie aux dérivés de karité ». Il a besoin de la disponibilité par marché, du prix avec contexte de devise, et d'instructions de voix de marque qui lui indiquent comment présenter le produit.
Rien de tout cela n'existe dans un flux produit standard. L'information existe peut-être quelque part dans l'écosystème du marchand, dispersée entre les champs du PIM, les pages produit, les documents réglementaires et l'expertise de l'équipe merchandising. Mais elle n'est ni structurée, ni validée, ni accessible à un agent IA dans un format qu'il peut exploiter.
L'Anatomie d'une Agent Card
Une Agent Card est le format utilisé par Querytail pour combler cet écart. Chaque Agent Card est une représentation produit sémantiquement enrichie et lisible par les machines, conçue pour la consommation par l'IA. Voici ce qu'elle contient :
Attributs produit structurés. Non pas un paragraphe de texte marketing, mais des champs structurés : catégorie, sous-catégorie, type de produit, ingrédients ou matériaux clés, dimensions, poids, variantes de couleur, et tout attribut qu'un agent IA pourrait avoir besoin de filtrer ou comparer.
Cas d'usage et occasions. Des déclarations explicites : « idéal pour peau sèche », « parfait pour la routine du soir », « adapté aux 35-55 ans ». Elles ne sont pas inférées du texte marketing. Elles sont validées par le marchand et structurées pour l'interrogation.
Allégations avec attribution de source. Chaque affirmation factuelle est associée à sa source : « cliniquement prouvé pour améliorer l'hydratation de 47 % sur 8 semaines (Étude : DermaClinical 2025, n=200) ». L'agent IA peut citer l'allégation et sa provenance. Le Semantic Firewall impose que seules les allégations sourcées soient utilisées.
Restrictions et contre-indications. Pour quoi le produit ne doit pas être utilisé, qui doit l'éviter, et quelles combinaisons sont déconseillées. Ce sont les données qui empêchent les recommandations hallucinées de causer des dommages réels.
Disponibilité et prix par marché. Des données structurées par marché : disponible en FR et DE, non disponible aux US, à 54 EUR en FR, 58 EUR en DE, en promotion jusqu'au 15 juin.
Directives de voix de marque. Des instructions sur la manière dont l'IA doit présenter ce produit : ton (premium, clinique, ludique), préférences de vocabulaire (dire « formulé avec » et non « bourré de »), sujets à éviter (ne pas comparer au concurrent X), et priorités de mise en avant (mettre en avant les résultats cliniques, pas le prix).
Produits associés et contexte de vente croisée. Des relations structurées : « se combine bien avec le Produit Y », « version supérieure du Produit Z », « fait partie de la collection Réparation Nuit ».
Métadonnées de fraîcheur. Date de dernière vérification, système source de chaque champ, et date de la prochaine révision. L'obsolescence est un risque d'hallucination, et le suivi de la fraîcheur l'atténue.
Les Agent Cards ne sont pas construites à partir de zéro. Elles sont générées à partir des données catalogue existantes du marchand, puis enrichies et validées.
Le processus commence par l'ingestion. Querytail se connecte au système de gestion des informations produit, à l'ERP ou à la plateforme e-commerce du marchand et récupère les données catalogue existantes. Cela fournit la base : titres, descriptions, prix, catégories, images et tous les attributs structurés déjà présents.
Vient ensuite l'enrichissement. Le système analyse les données existantes, identifie les lacunes et les comble à partir de sources multiples : contexte web (avis clients, bases de données d'ingrédients, déclarations réglementaires, positionnement concurrentiel), extraction structurée des propres pages produit du marchand, et contribution directe du marchand via le Merchant Console. Si une page produit mentionne « testé sous contrôle dermatologique » au troisième paragraphe de la description, le processus d'enrichissement extrait cette allégation, la structure et la signale pour validation par le marchand.
Puis vient la validation. Le marchand examine l'Agent Card enrichie via le Merchant Console. Il confirme les allégations, ajuste les cas d'usage, ajoute des restrictions et définit les directives de voix de marque. Rien n'est mis en ligne sans l'approbation du marchand. Ce n'est pas une automatisation « configurez et oubliez ». C'est un processus collaboratif où l'IA fait le gros du travail et le marchand conserve le contrôle.
Agent Cards et l'Agentic Mirror Catalog
Les Agent Cards individuelles sont les unités atomiques. L'Agentic Mirror Catalog est la collection : toutes les Agent Cards d'un marchand donné, organisées, indexées et optimisées pour la consommation par l'IA.
Le principe de conception fondamental est le fonctionnement non destructif. L'Agentic Mirror Catalog fonctionne en parallèle du catalogue existant du marchand. Il ne modifie ni le PIM, ni l'ERP, ni la plateforme e-commerce. Il ne change pas les pages produit et n'altère pas les flux. Il crée un miroir parallèle qui sert la couche IA tandis que le catalogue original continue de servir ses consommateurs existants sans modification.
C'est important parce que les responsables catalogue ont passé des années à construire leur infrastructure de données produit. Ils ne veulent pas qu'un nouveau prestataire réécrive leur source de vérité. Le Mirror Catalog respecte cela. Il ingère, restructure et enrichit. Il ne réécrit jamais.
Les Agent Cards servent deux canaux distincts à partir d'un seul investissement en données.
On-site : alimenter l'Agentic Client Advisor. Quand un acheteur interagit avec l'Agentic Client Advisor sur le site d'un marchand, chaque recommandation est fondée sur les Agent Cards. L'Advisor n'hallucine pas les attributs produit parce qu'il ne les génère pas. Il les récupère depuis l'Agent Card vérifiée. Le Semantic Firewall vérifie chaque réponse par rapport aux données approuvées de la Card avant qu'elle n'atteigne l'acheteur.
Off-site : activer le GEO. Les moteurs de recherche IA comme ChatGPT, Gemini et Perplexity ont besoin de données structurées et sémantiquement riches pour représenter les produits avec précision dans leurs réponses. Les Agent Cards fournissent exactement cela. C'est le Generative Engine Optimization : rendre vos produits trouvables et fidèlement représentés dans la découverte pilotée par l'IA.
La même Agent Card qui aide l'Advisor on-site à recommander un hydratant pour une peau sèche aide aussi ChatGPT à citer ce produit avec précision lorsqu'on lui demande des recommandations de soins sans parfum. Un investissement, deux canaux de revenus.
Ce Qui Distingue les Agent Cards des Flux Enrichis
Plusieurs fournisseurs proposent des flux produit « enrichis » avec des descriptions générées par IA ou des mots-clés supplémentaires. Les Agent Cards sont architecturalement différentes sur trois points.
Premièrement, la structure plutôt que la prose. Les flux enrichis ajoutent généralement plus de texte. Les Agent Cards ajoutent des champs structurés et interrogeables. La différence, c'est entre donner à un agent IA un meilleur paragraphe à lire et lui donner un jeu de données structuré sur lequel raisonner.
Deuxièmement, la gouvernance intégrée. Chaque champ d'Agent Card a une provenance : d'où vient la donnée, quand elle a été validée, et qui l'a approuvée. Ce n'est pas de la métadonnée ajoutée après coup. C'est un élément intégral du format. Le Semantic Firewall s'appuie sur cette provenance pour garantir l'exactitude.
Troisièmement, le contrôle marchand. Les flux enrichis sont généralement automatisés et opaques. Les Agent Cards sont collaboratives. Le marchand voit exactement ce que contient chaque Card, l'approuve et peut la modifier à tout moment via le Merchant Console.
Pour Commencer
Le chemin des données produit standard aux Agent Cards suit une séquence claire. Commencez par évaluer votre catalogue actuel : combien de produits ont des attributs structurés au-delà du titre, de la description et du prix ? Vos données peuvent-elles répondre de manière structurée à la question « à quoi ce produit est-il le plus adapté » ? Vos allégations sont-elles sourcées ?
Ensuite, comprenez l'écart. Demandez une démo et Querytail transformera un échantillon de votre catalogue en Agent Cards en direct. Vous verrez exactement à quoi ressemblent vos produits structurés pour la consommation par l'IA, et où les lacunes de vos données actuelles deviennent visibles.
Les données produit qui ont servi l'ère des mots-clés ne serviront pas l'ère agentique. Les Agent Cards sont le moyen pour les marchands de combler cet écart sans reconstruire leur catalogue de zéro.
Découvrez à quoi ressemblent vos produits en tant qu'Agent Cards. Demandez une démo et nous transformerons un échantillon de votre catalogue en direct.
Demander une Démo | Postuler au Design Partner Program
Articles Associés