Un acheteur ouvre ChatGPT et demande un produit que vous vendez. Il décrit exactement ce qu'il veut. Votre concurrent est mentionné. Pas vous.
Cette perte ne survient généralement pas parce que votre produit est inférieur. Elle survient parce que l'IA peut comprendre, faire confiance et comparer les données de votre concurrent plus rapidement que les vôtres. Si votre titre est vague, vos attributs de variantes sont incohérents, votre inventaire est obsolète ou votre politique de retour est difficile à interpréter, votre boutique devient plus difficile à recommander avec confiance pour les assistants d'achat IA.
C'est pourquoi ce qu'est la qualité des données est crucial pour les marques Shopify aujourd'hui. Ce n'est pas un projet secondaire informatique. C'est la couche qui détermine si l'IA peut vous trouver, vous interpréter et vous présenter aux acheteurs au moment précis où ils sont prêts à acheter.
Table des matières
- Votre boutique est invisible et vous ne savez pas pourquoi
- Ce que la qualité des données signifie vraiment pour votre boutique
- Les six dimensions fondamentales de la qualité des données
- Comment mesurer et évaluer la qualité de vos données
- Le coût élevé des mauvaises données pour le shopping par IA
- Liste de contrôle actionnable de la qualité des données pour les boutiques Shopify
- Du correctif ponctuel à la surveillance continue
Votre boutique est invisible et vous ne savez pas pourquoi
Un propriétaire de marque voit généralement d'abord le problème en surface. Les ventes issues des recherches de marque semblent correctes. Les campagnes payantes apportent encore du trafic. Les pages produits sont actives. Rien ne semble cassé.
Mais un acheteur ne commence plus par Google. Il demande à un assistant d'achat IA "un bagage cabine léger noir avec compartiment pour ordinateur portable" ou "une crème hydratante sans parfum pour peau sensible d'une marque premium." L'assistant analyse ce qu'il peut comprendre. Si vos données produits sont minces, désordonnées ou contradictoires, il passe à autre chose.
Des données suffisantes échouent dans la découverte par IA
C'est le piège. De nombreuses boutiques Shopify disposent de données suffisantes pour un visiteur humain qui a déjà atterri sur la page. Elles ne sont souvent pas suffisantes pour un système IA qui doit comparer des produits entre marques, déduire l'adéquation et répondre instantanément aux questions de suivi.
Une fiche qui dit « Travel Bag Pro » peut sembler correcte sur votre vitrine. Pour une IA, c'est insuffisant. Elle a besoin de clarté de catégorie, de dimensions, de matériaux, de cas d'usage, de détails d'expédition, de disponibilité, de logique de variantes et de contexte de politique. Sans cela, votre article est moins recommandable qu'un concurrent avec des données plus propres.
Votre produit peut être excellent et quand même perdre si la machine qui le lit ne peut pas dire ce qu'il est, à qui il s'adresse et s'il est sûr de le recommander.
Ce n'est pas un problème de niche. Une statistique fondamentale moderne sur la qualité des données révèle que seulement 16 % des entreprises qualifient les données qu'elles utilisent de « très bonnes », tandis que 54 % déclarent que la qualité et l'exhaustivité des données constituent un problème majeur, selon INFORMS sur la recherche moderne en qualité des données.
La recommandation manquée est le nouveau placement raté en rayon
Dans le commerce électronique, les marchands pensaient autrefois à la découvrabilité en termes de classements, de filtres et de placement sur les marchés. L'IA ajoute un nouveau gardien. Si l'assistant ne peut pas faire confiance à vos données, il ne vous inclura pas avec confiance.
C'est pourquoi la préparation aux recommandations par IA fait désormais partie de la même conversation que le merchandising et l'optimisation du taux de conversion. Si vous souhaitez avoir une vue pratique de la façon dont les informations produit façonnent la découverte pilotée par les machines, cette analyse des recommandations produits par IA pour Shopify est un complément utile.
Voici la réalité commerciale :
- Des attributs faibles font perdre les comparaisons : Si votre concurrent liste clairement la matière, la coupe, la compatibilité et les instructions d'entretien, l'assistant dispose de plus d'éléments sur lesquels s'appuyer.
- Le manque de contexte tue la confiance : Si vos pages de politique n'indiquent pas clairement les conditions de retour, de livraison ou de garantie, l'IA ne peut pas rassurer l'acheteur.
- Un langage de catalogue incohérent crée de l'ambiguïté : Si un produit utilise « marine », un autre « bleu nuit » et un troisième « bleu foncé », les filtres et la logique de correspondance deviennent approximatifs.
Quand les marchands disent « nos données sont globalement correctes », ce qu'ils veulent généralement dire c'est « une personne peut s'en sortir avec le temps ». L'IA ne fait pas « avec le temps ». Elle travaille sur ce qui est explicite, structuré, récent et cohérent.
Ce que la qualité des données signifie vraiment pour votre boutique
La plupart des marchands entendent « qualité des données » et pensent « corriger les fautes de frappe ». C'est trop réducteur. La définition la plus utile est adapté à l'usage prévu.
C'est important car les mêmes données produit peuvent fonctionner pour une tâche et échouer pour une autre. Un titre court et quelques puces peuvent suffire pour un client fidèle qui connaît déjà votre marque. Ils peuvent être totalement insuffisants pour un assistant IA qui tente de déterminer si votre produit correspond à la requête détaillée d'un acheteur.
L'adéquation à l'usage est la norme qui compte
Les sources expertes définissent la qualité des données comme adaptée à l'usage prévu, ce qui signifie qu'un même jeu de données peut être de haute qualité pour un processus métier et de faible qualité pour un autre si la fraîcheur, la granularité ou le contexte requis diffèrent, comme l'explique le guide de Sifflet sur la qualité des données.
Pour Shopify, cela change la question. Ne demandez pas « Cette page produit est-elle acceptable ? » Demandez « Une machine peut-elle utiliser ces informations pour recommander mon produit avec précision ? »
Pensez comme un chef avec des ingrédients étiquetés
Une bonne analogie est celle d'un chef travaillant dans deux cuisines.
Dans la première cuisine, chaque ingrédient est frais, étiqueté, daté et rangé à sa place. Le chef peut cuisiner rapidement et faire des substitutions intelligentes. Dans la deuxième cuisine, les contenants sont à moitié étiquetés, certains ingrédients sont périmés et d'autres manquent. Le chef ralentit, improvise, ou refuse de servir le plat.
Les assistants shopping IA sont ce chef. Votre catalogue est le garde-manger.
Si vos données sont mal étiquetées, obsolètes ou incomplètes, l'IA ne peut pas formuler une recommandation fiable. Elle peut ignorer votre boutique entièrement. C'est vrai même lorsque le produit lui-même est excellent.
Règle pratique : La qualité des données ne concerne pas l'aspect soigné de votre tableur. Elle concerne la capacité d'une machine à utiliser les données de votre boutique correctement, rapidement et sans approximation.
Quelques exemples permettent de concrétiser cela :
- Techniquement exact mais de faible qualité : Une page produit indique « livraison rapide », mais ne précise pas les zones de livraison ni les conditions. L'affirmation n'est pas fausse. Elle n'est tout simplement pas suffisamment utile.
- Exact mais inadapté à la comparaison : Un produit de soin de la peau liste « mélange botanique » au lieu de nommer les ingrédients ou les exclusions. Le texte sonne bien, mais une IA ne peut pas répondre avec confiance à « est-il sans parfum ? »
- Assez récent pour un e-mail, trop obsolète pour l'IA : L'inventaire se met à jour une fois par jour. Cela peut être tolérable pour une newsletter. C'est risqué quand un assistant recommande des articles achetables en temps réel.
Pourquoi les exigences ont augmenté
C'est pourquoi l'ancienne notion de « données propres » ne suffit plus. Le commerce moderne repose sur des flux, des intégrations, des systèmes de personnalisation, des marketplaces, des outils d'analyse et des agents IA. Les données doivent désormais bien circuler à travers tous ces systèmes.
Pour un propriétaire de marque, cela signifie qu'une meilleure qualité des données produit des résultats très concrets. Vos produits sont plus faciles à classifier. Vos politiques sont plus faciles à faire confiance. Votre disponibilité est plus facile à vérifier. Et votre boutique devient plus facile à recommander pour l'IA sans hésitation.
Les Six Dimensions Fondamentales de la Qualité des Données
La qualité des données n'est pas une chose unique. C'est un ensemble de dimensions qui vous indiquent si les données de votre boutique peuvent prendre en charge les décisions, l'automatisation et les systèmes de recommandation.
SAP décrit la qualité des données comme quelque chose mesuré selon des dimensions telles que la précision, la complétude, la cohérence, l'actualité, l'unicité et la validité dans sa présentation des dimensions fondamentales de la qualité des données. Pour les marques sur Shopify, ces termes ne sont pas abstraits. Ils se manifestent dans les problèmes quotidiens de merchandising.
Les Six Dimensions de la Qualité des Données E-commerce
| Dimension | Définition | Exemple de « mauvaises données » Shopify | Impact commercial |
|---|---|---|---|
| Exactitude | Les données reflètent correctement la réalité | Le produit indique « coton » mais le fournisseur a modifié la composition du tissu | L'IA fournit de mauvaises réponses, les acheteurs reçoivent de fausses attentes |
| Complétude | Toutes les données nécessaires sont présentes | Matière, tableau des tailles, détails d'expédition ou conditions de retour manquants | L'IA ne peut pas comparer votre produit avec confiance ni répondre aux questions courantes avant l'achat |
| Cohérence | Les données sont uniformes dans tous les systèmes et les listes | Les valeurs de taille apparaissent sous la forme « L », « Large » et « large » selon les variantes | Les filtres dysfonctionnent, les comparaisons s'affaiblissent et la correspondance des produits devient chaotique |
| Actualité | Les données sont à jour lors de leur utilisation | L'inventaire indique en stock après que les dernières unités ont été vendues | Les assistants peuvent recommander des produits indisponibles et créer une mauvaise expérience client |
| Unicité | Les enregistrements ne sont pas dupliqués | Des produits en double ou des SKU qui se chevauchent existent avec des titres légèrement différents | L'IA peut faire remonter le mauvais article, diviser la pertinence ou créer des réponses contradictoires |
| Validité | Les données respectent les formats et règles requis | Le champ du poids contient du texte, ou la fenêtre de retour est écrite de manière incohérente d'une page à l'autre | L'interprétation structurée échoue et les systèmes ne peuvent pas traiter les détails de manière fiable |
Où les marchands se trompent généralement
La plupart des boutiques n'échouent pas sur chaque dimension. Elles échouent sur quelques dimensions critiques de manière répétée.
Une marque de mode peut avoir de belles images et un texte percutant, mais une faible cohérence. Une collection utilise « women », une autre utilise « womens » et une troisième utilise « female ». Une marque de compléments alimentaires peut avoir des ingrédients exacts mais des informations de contre-indication incomplètes. Une marque d'articles ménagers peut avoir des spécifications de produits solides mais des données de stock périmées après une promotion.
La partie dangereuse est que ces problèmes se cachent souvent à la vue de tous.
- Les équipes de catalogue se concentrent sur le merchandising : Elles s'intéressent aux visuels, aux lancements et aux échéances des campagnes.
- Les équipes opérationnelles se concentrent sur l'exécution des commandes : Elles s'intéressent aux stocks, aux prix et aux flux logistiques.
- Les équipes marketing se concentrent sur la conversion : Elles s'intéressent aux messages et au trafic.
Les assistants shopping IA ne s'intéressent pas à votre organigramme. Ils consomment le résultat final.
À quoi ressemble chaque dimension dans la vraie boutique
Quelques exemples rapides permettent de distinguer la théorie de la pratique :
- Exactitude : Si votre produit indique « compatible lave-vaisselle » et que ce n'est pas le cas, c'est un problème de confiance évident.
- Complétude : Si vous vendez une poussette et ne précisez pas les dimensions pliées, vous avez supprimé un critère d'achat que de nombreux acheteurs demandent.
- Cohérence : Si votre format de nommage des lots change d'une page à l'autre, les systèmes ne peuvent pas comparer les produits proprement.
- Actualité : Si les prix de vente persistent dans un flux mais pas dans un autre, les assistants peuvent hésiter ou présenter des informations contradictoires.
- Unicité : Si le même article apparaît deux fois sous des noms presque identiques, votre catalogue commence à se faire concurrence.
- Validité : Si votre champ de taille contient du texte libre plutôt qu'un format contrôlé, le filtrage et la correspondance se dégradent rapidement.
Un catalogue Shopify ne s'effondre généralement pas à cause d'une seule erreur majeure. Il devient peu fiable en raison de centaines de petits décalages que les machines ne peuvent pas résoudre proprement.
Pour les marchands, c'est la réponse pratique à la question de ce qu'est la qualité des données. C'est la différence entre un catalogue qui peut être approuvé par les systèmes IA et un catalogue qui ne peut être interprété que par un humain patient.
Comment mesurer et évaluer la qualité de vos données
Si la qualité des données reste subjective, elle ne sera jamais corrigée. Les équipes débattent pour savoir si le catalogue est « assez bon » pendant que les vrais problèmes continuent de se glisser dans la recherche, les publicités, le support et la découverte IA.
La meilleure approche consiste à évaluer chaque dimension avec une mesure opérationnelle claire.
Transformer chaque dimension en KPI
Les recommandations du secteur considèrent de plus en plus la qualité des données comme quelque chose qui se mesure avec des objectifs explicites. Un guide du praticien de 2026 recommande d'évaluer les dimensions de qualité sous forme de pourcentages tels que 97 % complet ou 92 % valide, et fait également référence à des objectifs de référence tels que 95 % d'exactitude, comme indiqué dans les recommandations lakeFS sur les métriques de qualité des données.
Pour une boutique Shopify, cela se traduit par des vérifications pratiques comme celles-ci :
- KPI de complétude : Taux de remplissage des descriptions de produits, taux de remplissage des attributs, couverture des champs de politique
- KPI d'exactitude : Taux de faits sur les produits confirmés par rapport au fournisseur ou à la source de vérité interne
- KPI de cohérence : Pourcentage de valeurs standardisées pour la taille, la couleur, la matière, la catégorie et les balises
- KPI d'actualité : Part des produits avec des données d'inventaire, de prix et d'expédition à jour
- KPI d'unicité : Nombre de SKU en double ou d'enregistrements de produits en double
- KPI de validité : Pourcentage de champs conformes à vos formats approuvés et à vos règles commerciales
Construire un modèle d'évaluation que votre équipe utilisera réellement
Ne commencez pas par un cadre de gouvernance gigantesque. Commencez par les données qui influencent les recommandations et les conversions.
Un modèle de notation pratique fonctionne généralement ainsi :
- Commencez par les champs critiques : Titre, type de produit, marque, prix, disponibilité, attributs de variante, informations d'expédition, conditions de retour.
- Définissez des règles de réussite ou d'échec : Par exemple, chaque produit vestimentaire doit inclure la taille, la couleur, la matière, les instructions d'entretien et les informations de retour.
- Évaluez par dimension : L'exhaustivité peut être élevée tandis que la cohérence est faible. Cette distinction est importante.
- Suivez un score global : Une vue composite aide la direction à voir si la santé du catalogue s'améliore.
Si une métrique ne peut pas déclencher d'action, elle n'est pas utile. Un bon score de qualité des données pointe vers les champs et les flux de travail exacts qui nécessitent une correction.
Un score élevé n'est pas un rapport de vanité. Il vous indique si votre boutique devient plus facile ou plus difficile à interpréter pour les machines au fil du temps.
Ce qui fonctionne et ce qui ne fonctionne pas
Ce qui fonctionne est ennuyeux et efficace. Vocabulaires contrôlés. Champs obligatoires. Surveillance de la synchronisation. Règles de validation. Audits réguliers.
Ce qui ne fonctionne pas, c'est de se fier à des vérifications manuelles ponctuelles en espérant que votre équipe se souvient de la norme de nommage lors d'une semaine de lancement chargée. Cette approche s'effondre toujours à grande échelle, surtout lorsque vous ajoutez des SKU, des fournisseurs, des offres groupées, des marchés et des canaux.
Le changement clé est simple. Cessez de vous demander si vos données sont propres. Commencez à vous demander si elles sont mesurables, surveillées et suffisamment fiables pour qu'une machine leur fasse confiance.
Le coût élevé des données de mauvaise qualité pour le commerce IA
Les données de mauvaise qualité ne causaient autrefois que des problèmes internes. Un rapport semblait incorrect. Les tickets d'assistance augmentaient. Les opérations passaient du temps à corriger les enregistrements. Dans le commerce IA, les données de mauvaise qualité créent immédiatement des dommages externes. L'assistant évite de vous recommander, ou pire, vous recommande incorrectement.
Cela change le coût d'une telle erreur.
Les mauvaises données bloquent la confiance dans les recommandations
Les assistants IA ne se contentent pas de récupérer des pages de produits. Ils synthétisent des réponses. Cela signifie qu'ils ont besoin de suffisamment de détails fiables pour répondre aux questions de suivi telles que :
- Est-ce disponible en largeur large ?
- Puis-je le retourner si ça ne convient pas ?
- Est-il disponible cette semaine ?
- Est-ce qu'il est expédié dans ma région ?
- Est-il compatible avec mon appareil ?
Si les données de votre catalogue et de vos politiques ne répondent pas clairement à ces questions, l'assistant choisit souvent une option plus sûre.
Un aperçu utile de l'impact global d'une mauvaise qualité des données montre comment les problèmes de données se propagent en risque commercial. Dans le commerce électronique, le commerce IA compresse ce risque au moment de la recommandation.
Quatre façons dont les mauvaises données nuisent à la vente
Dérive des stocks
Votre boutique indique qu'un produit est disponible. Une source connectée se met à jour en retard. L'IA le recommande, l'acheteur clique, et l'article est indisponible ou en rupture de stock. Le résultat immédiat est la frustration. Le résultat à plus long terme est une confiance affaiblie envers votre marque.
Lacunes dans les politiques
Le client pose des questions sur les retours ou les délais d'expédition. Votre politique existe, mais elle est enfouie dans du texte de page non structuré ou formulée de manière incohérente sur le site. L'IA ne peut pas répondre avec confiance et favorise donc un marchand aux conditions plus claires.
Pour comprendre pourquoi la découvrabilité structurée est importante dans cet environnement, ce guide sur comment optimiser pour la recherche IA vaut la peine d'être consulté.
Incohérence des attributs
Votre catalogue de chaussures utilise « imperméable », « résistant à l'eau » et « résistant aux intempéries » sans standard clair. L'acheteur demande des chaussures de randonnée imperméables. L'assistant peut sous-correspondre à vos produits parce que les termes ne s'associent pas clairement.
Enregistrements dupliqués ou contradictoires
Un lot apparaît à un endroit avec un titre et ailleurs avec une configuration différente. L'assistant peine à déterminer quelle version est à jour.
Ce bref aperçu illustre clairement le schéma :
Avant et après la même requête d'acheteur
Imaginez un acheteur demandant « un bagage cabine approuvé pour les compartiments supérieurs, avec pochette pour ordinateur portable, coque rigide et retours faciles ».
La boutique A fournit à l'IA un type de produit précis, des dimensions, le matériau de la coque, les détails de la garantie, la politique de retour et la disponibilité actuelle. La boutique B a une page élégante avec un titre vague, des spécifications minces et un lien générique vers une politique.
L'assistant n'a pas besoin que la boutique B soit mauvaise. Il lui suffit que la boutique A soit plus facile à faire confiance.
Le commerce IA récompense les boutiques qui réduisent l'ambiguïté. Chaque champ manquant, valeur obsolète et étiquette incohérente donne au modèle une raison supplémentaire de vous ignorer.
C'est pourquoi la qualité des données affecte désormais directement la visibilité et les ventes. Ce n'est plus de l'hygiène administrative. C'est l'infrastructure de recommandation.
Liste de contrôle de la qualité des données pour les boutiques Shopify
Si vous voulez une meilleure visibilité IA, commencez là où la machine commence. Produits, opérations et politiques.
Données produits et catalogue
- Standardiser les attributs principaux : Utilisez un ensemble de valeurs approuvées pour la taille, la couleur, le matériau, la compatibilité, le parfum, la saveur, la finition, ou tout attribut recherché par les clients.
- Remplir les champs de comparaison : Ajoutez les détails que les acheteurs utilisent pour affiner leurs choix, comme les dimensions, les ingrédients, la composition du tissu, le type de peau, la puissance en watts ou les accessoires inclus.
- Rédiger des titres lisibles par les machines : Incluez le type de produit et les attributs définissants, pas seulement les noms de collections de marque.
- Supprimer les annonces en double : Fusionnez ou retirez les produits qui se chevauchent et représentent le même article de manière différente.
Données opérationnelles
- Resserrer les synchronisations des stocks : Assurez-vous que la disponibilité est mise à jour assez rapidement pour que les systèmes de recommandation ne travaillent pas sur des stocks périmés.
- Maintenir la cohérence de la logique des prix : Les prix promotionnels, les prix par variante et les prix régionaux doivent correspondre entre les systèmes.
- Vérifier l'intégrité des variantes : Contrôlez que chaque variante possède la bonne image, le bon SKU, les bonnes valeurs d'attributs et le bon état d'achat.
Données sur les politiques et la confiance
- Clarifier les retours et la livraison : Formulez-les clairement et de manière cohérente, sans enfouir les exceptions dans des textes difficiles à analyser.
- Rendre les informations de politique lisibles par les machines : Plus il est facile pour les systèmes IA d'analyser les règles de votre boutique, plus il leur est facile de vous recommander en toute confiance.
- Publier le contexte de la marque : Incluez des informations concises sur la marque, les conditions de support, les zones de livraison et les détails des politiques dans des formats structurés et accessibles.
Votre vérification hebdomadaire
Utilisez ceci comme un rythme opérationnel rapide :
- Lundi : Vérifiez les produits nouvellement ajoutés pour les champs manquants.
- Milieu de semaine : Contrôlez ponctuellement l'état de synchronisation des stocks et des prix.
- Vendredi : Testez quelques requêtes style acheteur dans les assistants IA et notez où les informations de votre boutique sont floues ou manquantes.
La plupart des marques n'ont pas besoin de plus de contenu en premier lieu. Elles ont besoin de données commerciales plus propres et plus utilisables.
De la correction ponctuelle à la surveillance continue
Le nettoyage du catalogue aide. Il ne suffit pas à lui seul.
Dès que vous lancez de nouveaux SKU, modifiez des bundles, mettez à jour les conditions de livraison, changez de fournisseurs ou organisez une vente flash, la qualité des données commence à dériver à nouveau. C'est pourquoi la bonne approche n'est pas « corriger le flux une fois ». C'est « surveiller la boutique en continu ».
Votre catalogue est un système vivant
Une boutique Shopify évolue constamment. Les équipes modifient les titres. Les applications écrivent des champs. Les fournisseurs envoient des spécifications révisées. Les stocks bougent. Les politiques changent. Chaque mise à jour peut améliorer la qualité des données ou l'affaiblir subtilement.
C'est pourquoi les opérateurs expérimentés traitent la qualité du catalogue comme la vitesse du site ou le suivi des conversions. Elle nécessite une visibilité continue.
À quoi ressemble la surveillance continue
Un modèle opérationnel utile comprend :
- Alertes au niveau des champs : Signalez rapidement les données produits et politiques manquantes ou mal formées.
- Vérifications de la fraîcheur : Détectez les stocks, prix ou informations de livraison périmés avant qu'ils ne créent des problèmes de recommandation.
- Examen de la visibilité des robots d'exploration : Surveillez comment les plateformes IA et les robots accèdent au contenu de votre boutique.
- Tests basés sur des requêtes : Posez régulièrement des questions style acheteur aux assistants shopping IA et examinez ce à quoi ils peuvent et ne peuvent pas répondre.
Si vous resserrez également vos processus généraux de boutique, ce guide sur l'hygiène des données Shopify apporte un bon contexte opérationnel.
Pour les marques qui pensent spécifiquement aux catalogues lisibles par l'IA, cette explication de comment fonctionne le catalogue IA Shopify aide à relier les données structurées de la boutique aux résultats de recommandation.
Une qualité de données solide n'est pas un projet que l'on termine. C'est une discipline qui maintient votre boutique lisible par les machines à mesure que votre activité évolue.
Les marques qui réussiront dans le shopping IA n'auront pas seulement de meilleurs produits ou de meilleures publicités. Elles auront des données plus propres, plus fraîches et plus fiables. C'est ce qui les rend plus faciles à trouver, plus sûres à recommander et plus simples à acheter.
Si vous souhaitez un moyen pratique d'améliorer la découvrabilité IA sans reconstruire votre flux de travail en boutique, Shoptank aide les marques Shopify à exposer leurs données produits, prix, livraison et politiques aux assistants shopping IA, à générer les fichiers structurés dont ces systèmes ont besoin, et à surveiller la visibilité de la marque sur des plateformes comme ChatGPT, Perplexity, Gemini, Claude et Copilot.