Un client gérant une boutique WooCommerce de pièces détachées nous a soumis une idée séduisante sur le papier : remplacer les 500 descriptions produit, souvent squelettiques, par des textes générés automatiquement via l’API d’OpenAI. L’objectif affiché était clair, gagner du temps et fournir enfin à Google des pages qui ne se limitent pas à trois lignes recopiées du fournisseur.
Nous avons accepté à une condition : mesurer précisément l’impact, avant et après, sans relecture humaine systématique pour isoler l’effet brut de la génération. Ce choix, volontairement risqué, nous a appris beaucoup plus qu’une opération prudente n’aurait pu le faire.
Le protocole mis en place
Nous avons exporté les 500 fiches via WP-CLI (wp post list --post_type=product --format=csv), envoyé la fiche technique brute (marque, référence, caractéristiques) à l’API GPT-3.5 Turbo avec un prompt fixe demandant une description de 150 mots orientée bénéfices, puis réimporté les textes avec wp post update en boucle depuis un script PHP autonome exécuté en ligne de commande. Aucun brouillon n’a été relu avant mise en ligne, à l’exception d’un contrôle de longueur automatique.
Nous avons conservé Google Search Console comme référence de mesure, avec une fenêtre de comparaison de quatre semaines avant et quatre semaines après la publication, sur les mêmes 500 URLs.
Ce que les chiffres ont montré
Le résultat n’a rien d’une success story linéaire. Sur les 500 fiches :
- 29 % ont gagné en position moyenne, souvent celles qui n’avaient auparavant qu’une phrase copiée du fabricant
- 34 % ont reculé, parfois de plusieurs positions, notamment quand le texte généré diluait un mot-clé de longue traîne que l’ancienne fiche contenait par hasard
- le reste est resté stable, dans la marge de bruit habituelle
En creusant les pages qui ont reculé, nous avons identifié un motif récurrent : le prompt générique produisait un vocabulaire correct mais generique, qui gommait les termes techniques exacts que les acheteurs tapaient réellement dans leurs recherches (numéros de référence, tolérances, compatibilités de modèles).
Pourquoi la relecture humaine change tout
Sur un lot témoin de 50 fiches parmi les perdantes, nous avons fait relire et corriger les textes par la personne qui connaît le catalogue depuis des années. Elle a réinjecté les références précises, corrigé deux erreurs techniques (une compatibilité moteur incorrecte, une unité de mesure interchangée) et supprimé les tournures trop vagues. Six semaines plus tard, 41 des 50 fiches avaient regagné au moins leur position initiale, et douze avaient dépassé leur meilleur score historique.
Ce test isolé ne prouve pas que l’IA nuit au SEO en général, il prouve surtout qu’un texte généré sans contrôle métier perd la précision qui faisait, involontairement, la force de l’ancienne fiche bâclée.
Ce que nous avons changé dans le processus
Depuis, nous ne publions plus aucune fiche générée sans passage devant un humain qui connaît le produit. Le prompt a également été retravaillé pour exiger explicitement la reprise des références techniques fournies en entrée, plutôt que de les paraphraser.
Une IA qui génère du texte SEO sans les données techniques exactes du produit ne fait pas gagner de temps, elle déplace le travail de correction après publication, au pire moment possible.
Nous avons aussi ajouté une étape de contrôle automatique qui compare, pour chaque fiche, la présence des références numériques du fournisseur dans le texte généré, avant validation.
| Étape | Sans relecture | Avec relecture ciblée |
|---|---|---|
| Temps par fiche | ~1 minute (génération seule) | ~4 minutes (génération + correction) |
| Fiches en recul SEO | 34 % | 7 % |
| Erreurs techniques détectées | Non mesuré | 2 sur 50 fiches testées |
En résumé
Générer du texte SEO en masse par IA n’est pas en soi une mauvaise idée, mais l’automatisation complète sans aucun filtre humain expose le site à un risque réel de recul, particulièrement sur les requêtes de longue traîne portées par des détails techniques. Le gain de temps existe, mais il se déplace : mieux vaut l’investir dans une relecture ciblée sur les points sensibles (références, unités, compatibilités) qu’espérer un résultat publiable tel quel.
