L'enrichissement de données produit par agents IA : méthode, contrôles et limites

Pourquoi les fiches sont incomplètes

La donnée produit se dégrade à chaque maillon de la chaîne : le fabricant publie une fiche technique riche mais en PDF ; le distributeur en recopie une partie dans son format ; chaque enseigne réécrit les libellés ; et les attributs qui n'intéressaient personne hier deviennent obligatoires demain — un nouveau canal de vente, une réglementation, un besoin de filtres. À l'échelle d'un catalogue de centaines de milliers de références, la complétion manuelle ne rattrape jamais le retard.

L'enjeu commercial, lui, est direct : une fiche précise et bien alimentée attire et convertit les clients avertis — ceux qui comparent, filtrent et lisent les caractéristiques avant d'acheter — et fait la réputation de qualité d'un site. Une fiche pauvre envoie l'acheteur exigeant chez le concurrent qui a fait le travail.

Et l'enjeu grandit avec le déplacement de la recherche vers les assistants IA. Quand un acheteur demande à une IA quel produit répond à son besoin, elle recommande les fiches qu'elle a pu lire et comprendre : les plus riches, les plus structurées, les mieux sourcées. Ce que le référencement classique (SEO) faisait avec des mots-clés, la recherche générative — le GEO — le fait avec la donnée elle-même : la fiche la plus complète devient la destination naturelle.

S'y ajoute une réalité d'organisation : dans les enseignes historiques, les équipes qui ont besoin de la donnée n'ont pas toujours la main sur les référentiels. Il est parfois plus rapide de sourcer ses propres fiches — sur son propre site web, publiques et à jour — que d'attendre un export du SI.

Commencer par la nomenclature, pas par l'IA

Un enrichissement sérieux commence par une question métier : pour chaque famille de produits, quels attributs attend-on, dans quelles unités, avec quelles valeurs permises ? Cette nomenclature par famille est le contrat de l'enrichissement — des gants de protection chimique et un radiateur n'attendent pas les mêmes champs. Elle décide aussi du périmètre : quels attributs l'IA a le droit de compléter, et lesquels restent des données de référence intouchables. Ce périmètre appartient au client, idéalement configuré directement dans son outil de gestion de catalogue.

L'expertise produit est désormais à la portée des modèles

Ce qui a changé ces dernières années, c'est le niveau d'expertise métier des modèles d'IA. La connaissance d'une catégorie de produits — celle d'un chef de rayon, d'un expert du référencement — est désormais à leur portée : compléter des attributs techniques, rédiger un descriptif marketing, proposer un équivalent défendable n'ont plus besoin d'être faits à la main. Le métier ne disparaît pas, il se déplace : définir les règles, superviser les lots, trancher les cas ambigus.

Exemple concret : la catégorisation. Pour classer un produit, un agent ne se contente pas de lire son libellé — il va regarder les produits déjà classés dans les catégories candidates, pour vérifier que le produit en fait vraiment partie. Il peut classer dans la taxonomie du client comme dans des classifications génériques — celle de GS1, ou ETIM pour le négoce technique. Et ce travail par catégorie ouvre une possibilité nouvelle : dériver des templates de nomenclature — les attributs qu'une famille de produits doit porter — au lieu de partir d'une feuille blanche.

Épuiser les sources structurées avant de crawler

Le web n'est pas la première source, c'est la dernière. Les fichiers FAB-DIS portent la donnée officielle des fabricants — caractéristiques, documents, mentions réglementaires — exprimée dans le vocabulaire ETIM : quand une donnée s'y trouve, elle fait foi. Les fournisseurs de contenu mutualisé comme Icecat offrent des fiches standardisées sur des millions de références — précieux quand la couverture correspond à votre assortiment. Le sourcing web — sites fabricants, fiches PDF, photos — complète ce que ces sources ne couvrent pas : c'est la combinaison des trois qui fait la complétude.

La hiérarchie des sources — et la règle qui protège

Le fabricant fait foi ; les revendeurs reconnus complètent ; et quand une donnée n'existe que chez les revendeurs, une règle de prudence s'applique : concordante sur plusieurs sites, elle peut être retenue ; vue sur un seul, elle ne l'est pas — le champ reste vide et la question part au fabricant.

Deux corollaires de terrain. Un document se qualifie par son contenu, jamais par son hébergeur : une fiche technique 100 % fabricant hébergée chez un revendeur reste une fiche fabricant — c'est souvent la seule version française disponible. Et une valeur dont la source n'a pas été réellement ouverte n'existe pas : « vu dans les résultats de recherche » n'est pas une source.

La méthode : couvrir mécaniquement, juger par l'agent

Le principe d'architecture qui change tout : le code garantit la couverture, l'agent garde le jugement. Concrètement, un enrichissement robuste se déroule en cinq temps :

1. 1

   Identifier le produit : lecture de la fiche existante, recherche des produits voisins déjà traités, découverte de la page fabricant.

2. 2

   Collecter les documents de façon fermée : toutes les fiches techniques et notices candidates sont rassemblées, qualifiées (langue, marque, référence, type) et présentées en liste close — l'agent doit exploiter ou écarter chaque document, il ne peut pas « ne pas voir » une source.

3. 3

   Exploiter chaque source, texte et rendu visuel : certaines informations n'existent qu'en image — une rangée de pictogrammes normatifs sur une fiche technique ne se lit pas dans le texte extrait.

4. 4

   Vérifier chaque valeur contre sa source avant sauvegarde, avec un verdict explicite — voir le tableau ci-dessous. Une valeur introuvable dans sa propre source est corrigée ou vidée dans la même session.

5. 5

   Sauvegarder sous garde-fous : les valeurs valides passent, les invalides reviennent à l'agent avec le motif exact du rejet.

Le format compte autant que la valeur

« 8,5 litres par minute », « 8.5 L/min » et « 8,5 l/min » sont la même donnée — mais un seul de ces formats est celui qu'attend votre référentiel. La normalisation gère les décimales françaises et anglaises, les plages de valeurs, les unités ; et la validation contre le schéma du référentiel se fait en boucle : une valeur hors liste revient avec les options permises les plus proches, jusqu'à l'import propre.

Les déductions : utiles, à condition d'être marquées

Tout ne se lit pas noir sur blanc. Une déduction peut être une lecture indirecte — la douchette extractible reconnue sur la photo — ou un raisonnement entre caractéristiques : si la cartouche fait 35 mm et que le montage est monotrou, le perçage attendu est de 35 mm. Les deux sont légitimes si la valeur est marquée comme déduite, avec son raisonnement.

Et certaines déductions doivent être refusées : déduire le genre d'un vêtement de sa plage de tailles est un pari, pas une lecture. Les champs réglementaires — normes, certifications, conformités — ne se déduisent jamais : soit une source les atteste, soit ils restent vides. Un enrichissement qui ne sait pas dire « je ne sais pas » n'est pas fiable.

Le levier économique : les variantes

Dans la plupart des catalogues, un modèle se décline en tailles et coloris — et environ 90 % des attributs sont identiques entre les variantes d'un même modèle : matière, normes, description, médias. Enrichir chaque variante comme un produit isolé, c'est payer dix fois le même travail. Regrouper d'abord (parent/variant) — un groupe se définit par ses axes de variation : taille, coloris, parfois plusieurs axes combinés, et il peut être reconstruit même sans structure dans le catalogue —, enrichir le modèle, recopier sur les déclinaisons : quelques secondes par variante au lieu d'une analyse complète, et une cohérence garantie entre déclinaisons, là où des traitements indépendants finissent toujours par diverger.

Ces remplissages collatéraux offrent aussi un contrôle gratuit : une caractéristique commune qui diverge entre deux variantes du même modèle est une anomalie qui saute aux yeux — le regroupement ne fait pas qu'économiser le travail, il vérifie le remplissage.

Ce qu'il faut exiger d'un enrichissement

• Chaque valeur reliée à sa source — URL, document et page — ou marquée comme déduite avec son raisonnement.
• Une vérification systématique des valeurs contre leurs sources, pas un échantillonnage.
• Des nomenclatures par famille, écrites et révisables — pas un « on complète tout » indéfini.
• Des points de contrôle humains sur les lots : l'IA propose, la supervision valide.
• La capacité à laisser un champ vide plutôt que d'inventer — le taux de complétion n'est pas une fin en soi.

Notions liées : FAB-DIS · ETIM · le matching produit