En 2026, la visibilité d’un site marchand ne se joue plus uniquement dans les SERPs de Google. Elle se joue aussi, et de plus en plus, à l’intérieur des réponses générées par ChatGPT, Perplexity, Claude, Gemini et consorts. Pour un e-commerce français qui veut scaler à l’international, cette bascule change la règle du jeu.
Je suis Florian Zorgnotti, consultant SEO à Nice depuis 2016, J’ai accompagné SuperNutrition.fr, marque française de nutrition sportive sur Shopify, dans la traduction anglaise complète de son site. Résultat sur les premiers mois post-lancement : +300% de ventes attribuées au trafic IA, avec un taux de conversion supérieur à 5%.
Voici ce qu’on a fait, et surtout pourquoi ça a fonctionné.
Le problème : un site FR est invisible pour la majorité du trafic IA mondial
Sommaire
Les grands modèles de langage ingèrent massivement des contenus anglophones. Quand un utilisateur demande “best omega-3 supplements for athletes” à ChatGPT, le modèle ne va pas citer une fiche produit rédigée uniquement en français, même excellente.
Un site FR uniquement se prive mécaniquement de la majorité du gisement IA mondial. La traduction n’est plus un “nice to have” d’expansion internationale : c’est devenu un prérequis GEO (Generative Engine Optimization).
Et ce problème est amplifié par un mécanisme que peu de SEO ont encore intégré : le query fan-out.
Quand un utilisateur pose une question à un LLM moderne (ChatGPT avec recherche, Perplexity, Gemini, Copilot, Grok, Claude), le système ne lance pas une seule requête. Il décompose le prompt initial en plusieurs sous-requêtes synthétiques, exécutées en parallèle, pour récupérer des sources variées avant de synthétiser la réponse. Google AI Mode l’a documenté explicitement ; Perplexity en fait son ADN depuis l’origine.
Concrètement : un prompt du type “quel oméga-3 prendre pour récupérer après l’entraînement” peut générer 5 à 15 sous-requêtes en arrière-plan, “best omega-3 post-workout recovery”, “omega-3 dosage for athletes”, “EPA DHA ratio sports nutrition”, “omega-3 inflammation muscle soreness”, etc. La majorité de ces sous-requêtes est reformulée en anglais, même quand le prompt d’origine est en français. L’anglais fonctionne comme langue pivot dans l’architecture de recherche des LLM : c’est la langue du corpus d’entraînement dominant, et celle dans laquelle la documentation scientifique, les reviews et les contenus techniques sont les plus denses.
À l’échelle d’un catalogue e-commerce, cet effet n’est pas anecdotique : sur un mois de trafic IA, tu peux rater plusieurs milliers de sous-requêtes pertinentes qui n’ont jamais atteint ta version française, parce qu’elles n’ont tout simplement pas été générées dans cette langue.
Conséquence directe : un seul prompt utilisateur en français peut déclencher une dizaine d’opportunités de citation qui se jouent, elles, sur des pages anglophones. Si ton site n’existe qu’en FR, tu n’es présent que sur une fraction marginale de ces sous-requêtes, celles qui restent en français pour des raisons très locales (législation, géographie, marques FR spécifiques).
Le fan-out transforme chaque requête en un appel d’offres parallèle où l’anglais est sur-représenté. Ne pas s’y présenter, c’est laisser la place à des concurrents internationaux qui alimentent les LLM dans les deux langues.
La méthode : quatre piliers techniques, pas juste une traduction
Traduire un site ne se résume pas à passer le contenu dans DeepL. Pour que les LLM citent réellement les pages, il a fallu travailler quatre couches en parallèle.
1. Traduction optimisée pour la citabilité LLM, pas littérale. Les intros d’articles de blog ont été restructurées : réponse directe à la requête dans les deux premières phrases, syntaxe déclarative, données chiffrées en tête. Un LLM cite une intro quand elle ressemble à une réponse, pas quand elle ressemble à une accroche marketing.
2. Architecture JSON-LD multilingue complète. Sur Shopify, chaque template (produit, collection, article, FAQ, Organization) a été équipé d’un schéma structuré adapté à la version EN, avec gestion propre des inLanguage, des entités liées et du sameAs. Le structured data reste l’un des signaux les plus sous-exploités pour l’ingestion par les crawlers IA.
3. Contrôle explicite des crawlers IA. Mise en place d’un robots.txt optimisé (ai.txt et llms.txt en option) déclarant quels contenus peuvent être ingérés par GPTBot, ClaudeBot, PerplexityBot et consorts. Objectif : sortir du régime par défaut (souvent bloquant ou ambigu) et cadrer la relation avec chaque crawler.
4. Hreflang rigoureux et canonicalisation propre. Aucune cannibalisation FR/EN, chaque version servie à la bonne audience, sans dilution de signal entre les deux marchés.*
DeepL Traducteur : Avantages & inconvénients du logiciel de traduction automatique
Les résultats : quantitatifs et qualitatifs
Sur les premiers mois post-lancement de la version EN :
- +300% de ventes attribuées aux sources IA, mesuré via suivi d’attribution croisé et monitoring des prompts commerciaux.
- Taux de conversion > 5% sur le trafic IA, soit plusieurs fois supérieur à la moyenne du trafic organique classique.
- Citations régulières dans les réponses de ChatGPT et Perplexity sur des requêtes produits anglophones.
Ce taux de conversion élevé n’est pas un hasard : le trafic IA arrive pré-qualifié. L’utilisateur atterrit sur la fiche produit avec une intention d’achat déjà cadrée par la conversation avec le LLM, qui a absorbé le travail de comparaison en amont.
Le take-away pour les e-commerçants français
Trois choses à retenir.
- Le trafic IA ne remplace pas le SEO, il le complète avec un taux de conversion structurellement supérieur à date.
- Une traduction sans architecture GEO derrière, c’est jeter de l’argent par les fenêtres. Le contenu EN doit être pensé pour être ingéré et cité, pas seulement lu.
- Mesurer cette visibilité IA est un chantier à part entière, qui nécessite des outils dédiés, les rapports GSC classiques ne voient pas ce qui se passe dans les LLM.
La traduction EN reste un des leviers les plus sous-exploités par les e-commerces français. Le gisement est massif, la concurrence y est encore faible, et les métriques de conversion sont, pour l’instant, exceptionnelles. Cette fenêtre ne restera pas ouverte indéfiniment.
À propos de l’auteur
Florian Zorgnotti est consultant SEO/GEO indépendant depuis 2016, co-fondateur de Cockpyt AI, outil de suivi de la visibilité des marques dans les réponses générées par les LLM.
