Catalogue de milliers de produits : l'IA sous contrôle

Sur un catalogue de cent produits, l’enrichissement par l’IA est une affaire de relecture : une personne lit chaque fiche, compare au texte du fournisseur, corrige. Sur dix mille, ce n’est plus possible. Et le risque change de nature : une consigne mal écrite ne produit pas une erreur, elle en produit la même partout, en une nuit, avec un tableau de bord au vert.

Ce guide s’adresse aux équipes qui gèrent un grand catalogue et veulent l’enrichir avec l’IA sans perdre la main sur ce qu’il affirme. La méthode de base, fiche par fiche, est dans notre article sur les fiches produit et l’IA : réduire le catalogue, définir les attributs, extraire sans deviner, relire. Celui-ci montre ce qui change à grande échelle, quand la relecture exhaustive cède la place à un contrôle construit dans le circuit.

Ce qui change entre cent et dix mille fiches

Trois choses changent, et aucune ne tient au choix du modèle d’IA.

• La relecture devient un échantillonnage. On ne relit plus tout : on relit ce que les contrôles signalent, plus un tirage dans chaque lot.
• Une erreur devient une série. Une consigne qui pousse à « embellir » un peu ne fausse pas une fiche, elle les fausse toutes de la même façon.
• Le coût devient un sujet. Sur quelques fiches, le prix des appels à l’IA est négligeable ; sur un catalogue entier, réécrit plusieurs fois, il se pilote.

Le cadre ne change pas, lui. Une caractéristique inventée reste une information fausse sur un produit, et les règles de Google contre le spam visent toujours les pages produites en masse sans valeur pour le visiteur, « quelle que soit la façon dont elles sont créées », comme le rappelle notre article sur les fiches produit et l’IA.

Le circuit, de la consigne à la publication

Trier d’abord, parce que chaque fiche enrichie coûte et doit être relue : les ventes et la Search Console de Google disent quelles références méritent le travail. Tester ensuite sur quelques dizaines de fiches choisies pour leur diversité (familles différentes, textes de fournisseur longs et courts, cas difficiles) : c’est là qu’on corrige la consigne, pas sur le catalogue entier.

Le traitement par lots a deux avantages. Une erreur se voit sur le premier lot plutôt que sur dix mille fiches. Et un traitement interrompu, par une panne ou une limite du fournisseur, reprend là où il s’était arrêté au lieu de repartir de zéro.

Les contrôles qu’une machine fait mieux qu’un relecteur

Un relecteur fatigue à la trois-centième fiche. Une règle, non. Voici les contrôles qui se programment une fois et tournent sur chaque lot :

• Chaque valeur a sa source. Une taille, une matière ou une composition extraite doit figurer dans le texte d’origine ; sinon, la fiche part en relecture.
• Les mots interdits. « Écologique », « hypoallergénique », « fait main », « certifié » : la liste des affirmations qui demandent une preuve, et que l’IA n’a pas le droit d’ajouter seule.
• Les formes d’écriture. Une unité, une seule forme : « 30 cm » partout, jamais « 30cm » ou « trente centimètres ».
• Les écarts avec la version précédente. Une fiche dont le prix, la taille ou la catégorie change pendant un enrichissement de texte signale une erreur, pas une amélioration.
• Les garde-fous de volume. Un lot qui revient vide, ou qui supprime plus de fiches qu’il n’en modifie, bloque la publication.

Le dernier point n’est pas théorique. Sur Palmora Property, c’est le scénario que ces règles bloquent : sans elles, une réponse vide de l’interface qui alimente le site publierait un site à zéro produit, avec un traitement affiché comme réussi. Un contrôle de volume s’écrit une fois ; son absence peut coûter un catalogue.

Ce que l’humain garde

La relecture ne disparaît pas, elle se concentre là où elle sert :

• La consigne et l’échantillon, relus avant tout traitement de masse.
• Les fiches signalées par les contrôles, avec la raison écrite.
• Un tirage dans chaque lot, pour attraper ce que les règles n’ont pas prévu.
• Les mentions qui engagent : réglementaires, de sécurité, d’âge, de garantie, jamais laissées à l’IA seule.

C’est ce partage qui rend la relecture tenable : le temps des relecteurs va à ce qui compte, au lieu de se diluer sur tout le catalogue.

Le coût, piloté plutôt que subi

Sur un grand catalogue, trois leviers font la différence de coût, quel que soit le fournisseur choisi.

• Le traitement par lots asynchrone, que proposent les principaux fournisseurs à moitié prix contre un délai de traitement plus long : OpenAI, Anthropic, Google et Mistral l’annoncent tous à 50 % du tarif standard. Un enrichissement de catalogue n’a pas besoin d’une réponse dans la seconde.
• Ne jamais payer deux fois le même travail. Une fiche inchangée n’a pas à repasser par l’IA : seules les nouvelles fiches et celles qui ont changé repartent.
• Le bon modèle pour la tâche. Extraire une taille d’un texte ne demande pas le modèle le plus cher ; le choix se fait en testant plusieurs modèles sur votre propre échantillon, comme l’explique notre guide pour évaluer un modèle d’IA avant la production.

Le deuxième levier, nous l’appliquons à notre propre chaîne de traduction : sur Palmora Property, le coût de traduction a été divisé par 60 en changeant de modèle, et 95 % des segments sortent désormais d’une mémoire de traduction sans rappeler l’IA. Le raisonnement complet, de la facture aux jetons, est dans notre article sur le routage des modèles.

Publier de façon réversible

Une opération de masse se prépare comme une opération à rebours. Sur une boutique en ligne de peluches que nous remettons d’aplomb, chaque modification groupée suit la même règle : simulation par défaut, sauvegarde avant d’écrire, retour arrière en une commande, archivage plutôt que suppression. C’est ainsi qu’ont été menées 172 dépublications de produits, ainsi que des opérations sur 8 pages et 62 traductions. Une règle s’y est ajoutée : poser la redirection avant de retirer une fiche, pour qu’aucune adresse qui recevait des visites ne réponde dans le vide.

Ce que le catalogue enrichi rend possible

Un catalogue aux champs complets et vérifiés sert tout le reste de la boutique. La recherche interne trouve enfin « lapin 30 cm », les filtres s’appuient sur des attributs remplis, et la fiche produit qui convertit répond aux questions de l’acheteur. Le flux envoyé à Google gagne en qualité, ce que détaillent notre guide Google Shopping et marketplaces et notre article sur ce qui fait monter une campagne Google Shopping ; les mêmes données alimentent les marketplaces (voir vendre sur Amazon en plus de sa boutique) et un stock synchronisé entre les canaux.

Des caractéristiques exactes réduisent aussi les retours évitables (voir le coût caché des retours) et nourrissent les e-mails de réachat (voir les e-mails de bienvenue, d’après-achat et de réachat) comme les relances de panier abandonné. À l’export, elles se traduisent dans chaque langue, un chantier que décrit notre article sur la boutique multilingue et multidevise. Les avis clients signalent ce que les fiches disent mal, et des fiches plus riches ne doivent pas alourdir les pages (voir la vitesse d’une boutique). Avant d’ajouter une application d’enrichissement, faites le calcul de notre article sur le coût des applications Shopify ; la plateforme décide aussi où vivent ces attributs, comme le montre notre comparatif Shopify ou Medusa. Le suivi des effets passe par les cinq chiffres à suivre chaque semaine, et un paiement qui coûte moins cher qu’on ne le croit, ou plus, se vérifie avec notre article sur les frais réels de paiement. Les autres décisions d’une boutique sont rassemblées dans notre rubrique e-commerce.

Si votre catalogue est trop grand pour être relu à la main, notre accompagnement e-commerce commence par un tri et un échantillon : quelles fiches méritent le travail, quels champs manquent, et ce qu’un enrichissement par lots coûterait, contrôles compris.

Questions fréquentes

Sources

1. OpenAI, traitement par lots (nouvel onglet)developers.openai.com
2. Anthropic, traitement par lots (nouvel onglet)platform.claude.com
3. Google, mode lots de la Gemini API (nouvel onglet)ai.google.dev
4. Mistral AI, traitement par lots (nouvel onglet)docs.mistral.ai