Les pages d'entraînement LLM fonctionnent-elles vraiment ?
Oui. Lors d'un test contrôlé de huit semaines, la catégorie qui a reçu des pages d'entraînement a été crawlée environ 17% de plus qu'une catégorie comparable gardée de côté comme référence. Une catégorie de produits a reçu des pages d'entraînement LLM prérendues. Une catégorie équivalente a été tenue à l'écart du déploiement et utilisée comme référence. Huit semaines plus tard, la catégorie traitée était crawlée 17% de plus que la catégorie témoin. Le crawl a augmenté sur tout le site pendant ces mêmes semaines : sans le témoin, impossible de distinguer notre effet du bruit de fond. La page modifiée est une page de listing de catégorie ordinaire, donc le même dispositif s'applique aux pages ecommerce sur Shopify, Magento, Adobe Commerce, Salesforce Commerce Cloud et sur tout ce qui sait générer du HTML côté serveur. Un crawl d'entraînement, c'est la façon dont un modèle apprend votre marque par cœur. Faites-le correctement et l'assistant nomme votre produit à partir de ce qu'il sait déjà : aucune requête web, aucune citation, aucun lien à cliquer, juste les spécifications et les comparatifs qu'il a lus une fois et retenus. Cela n'arrive que si un crawler d'entraînement a pu lire la page au départ, et c'est le seul maillon de la chaîne qu'une marque peut contrôler et mesurer directement. Voici la page que nous avons mise en ligne, les huit semaines qui ont suivi, et les trois tests que nous avons menés pour essayer de casser le résultat.
- AI training crawls ran 17% above the untouched control. Mesuré sur les 8 semaines qui ont suivi la mise en ligne. Le résultat tient face à un test placebo sur 46 dates de lancement inventées, face au retrait de n'importe quelle page de l'analyse, et face aux changements de fenêtre d'analyse.
- A comparable category ran alongside as a holdout, and every number is measured against it. Le crawl a fortement augmenté sur l'ensemble du site sur la même fenêtre : c'est le témoin qui permet de séparer l'effet du bruit de fond. Il a aussi porté les contrôles de qualité des données : quand les crawls d'entraînement ont affiché zéro pendant sept jours d'affilée sur toutes les catégories à la fois, témoin compris, cela signalait une panne de journalisation plutôt qu'un comportement de crawler, et ces jours ont été écartés.
- Both categories more than doubled. The training pages account for the 22% gap between them. Les crawls d'entraînement bruts ont été multipliés par 2.7x sur la catégorie traitée et par 2.2x sur la catégorie témoin, qui n'a rien reçu du tout : l'essentiel de cette croissance était sectoriel et serait arrivé de toute façon. Indexées sur leurs propres moyennes d'avant lancement, les deux courbes terminent la fenêtre avec 22% d'écart. En moyenne sur les huit semaines complètes, l'écart se stabilise à 17%.
-
In-stock pages gained 43% of training crawls. Out-of-stock pages lost 22%.
Pages en stock (10) : 5,090 → 7,270 crawls d'entraînement (+43%)Pages en rupture de stock (3) : 870 → 680 (−22%)Toutes les pages en rupture de stock ont perdu de l'attention de crawl. Cela repose sur 13 pages et nous ne l'avions pas prédit à l'avance : c'est une piste à tester sérieusement plutôt qu'un résultat.
- Once a model has read your pages, it can recommend them without looking them up. A training crawl is what puts your product facts into the model itself, so an assistant can answer from memory rather than going out to the web. Getting crawled is not the same as getting recommended. What it changes is what the model knows about your range by default, before anyone asks it anything, and it is the part of the chain a brand can change on purpose and check the next morning. Crawls are the only thing we measured here.
Une catégorie a reçu des pages d'entraînement. Une catégorie comparable, non.
Notre client a mis en ligne des pages d'entraînement LLM prérendues pour une catégorie de produits en mai 2026. Une seconde catégorie, de taille comparable, a été tenue à l'écart du déploiement afin de servir de référence. Tout ce que contient ce rapport est mesuré par rapport à ce témoin.
Une « page d'entraînement » désigne ici une page prérendue, générée côté serveur, construite pour qu'un crawler IA puisse lire toute l'histoire du produit sans exécuter de JavaScript : spécifications, comparatifs et réponses en langage clair, avec des liens depuis le corps du contenu vers chaque page produit. La question est de savoir si leur mise en ligne change quoi que ce soit au comportement d'un crawler.
Y répondre est plus difficile qu'il n'y paraît, car le crawl IA augmente partout. Publiez des pages d'entraînement en mai, constatez une hausse des crawls en juin, et vous n'avez presque rien appris. Il faut savoir ce qui se serait passé de toute façon. La catégorie témoin fournit cela : c'est la meilleure estimation disponible de ce qu'aurait fait la catégorie traitée si rien n'avait été publié.
Les catégories sont rebaptisées d'après des planètes. Les pages produit de la catégorie traitée sont rebaptisées d'après des lunes. Les chiffres sont exactement ceux mesurés. Notre client et son secteur ne sont pas divulgués.
La métrique, ce sont les crawls d'entraînement IA : les hits des crawlers d'entraînement IA sur les pages produit vers lesquelles la page de listing de chaque catégorie pointe depuis le corps de son contenu. Les liens de navigation, d'en-tête et de pied de page sont exclus : nous comptons donc les crawls sur les pages que la page d'entraînement désigne réellement.
L'unité d'observation est la journée, pas le hit. Une seule session de crawler peut émettre des centaines de requêtes d'un coup : traiter 17,030 hits comme 17,030 tirages indépendants rendrait à peu près n'importe quoi significatif. Les graphiques ci-dessous couvrent 118 jours, dont 57 jours de chaque côté du lancement à l'intérieur des fenêtres statistiques.
Une fois qu'un modèle a lu vos pages, il peut les recommander sans aller les chercher.
Un crawl d'entraînement fait entrer les faits sur vos produits dans le modèle lui-même, de sorte qu'un assistant peut répondre de mémoire au lieu d'aller sur le web. C'est la métrique que cette étude fait bouger.
Voici ce que cela donne en pratique. Quelqu'un demande à un assistant lequel de ces produits il devrait prendre. L'assistant répond en nommant votre produit, en décrivant ce qu'il fait et à qui il convient, et en le comparant à l'alternative, uniquement à partir de ce qu'il a déjà appris. Pas de requête, pas de citation, pas de lien source. Le modèle connaît votre gamme comme il connaît le reste, et cette connaissance vient de pages qu'un crawler d'entraînement a lues et absorbées des mois plus tôt.
La récupération en direct, quand un assistant va chercher une page en cours de réponse et la cite, est l'autre voie d'entrée. Elle compte, et elle commence au même endroit : un crawler demande une page à votre serveur et reçoit quelque chose qu'il peut lire.
Servez-lui une coquille JavaScript et vous n'êtes ni dans l'une ni dans l'autre. Le modèle n'apprend pas ce que fait votre produit, la couche de récupération n'a rien à extraire, et quand un acheteur demande à un assistant de comparer votre gamme à celle d'un concurrent, l'assistant répond avec ce dont il dispose. En général une fiche de marketplace, un site d'avis, ou le concurrent.
C'est la version honnête de la raison pour laquelle ce chiffre compte, et c'est aussi pourquoi nous restons prudents sur ce que nous en tirons. Cette étude prouve que les pages d'entraînement ont fait lire les pages plus souvent. Elle ne prouve pas ce qu'un modèle a fait de ce qu'il a lu. Nous n'allons pas prétendre le contraire, et un rapport qui passe directement d'un graphique de crawl à une promesse de chiffre d'affaires est un rapport auquel il ne faut pas se fier.
Ce qui rend le crawl digne d'être poursuivi malgré tout, c'est qu'il est le seul maillon de la chaîne sur lequel vous pouvez agir directement. Vous ne pouvez pas forcer un modèle à vous citer. Vous pouvez décider de ce que votre serveur remet à un crawler, et compter ce qui se passe ensuite.
Environ 3,000 mots de contenu prérendu se trouvent sous la grille de produits.
« Page d'entraînement LLM » est une expression vague : nous avons donc démonté la page en ligne et compté ce qu'il y avait dessus.
La page de listing conserve sa grille de produits habituelle en haut. Tout ce qui se trouve sous la grille est le contenu d'entraînement : du HTML prérendu qu'un crawler peut lire sans exécuter de JavaScript. Cela représente environ 3,000 mots, soit à peu près 77% du corps de texte de la page.
La structure se répète délibérément. Chaque analyse produit a la même forme : une section « ce qui distingue ce produit » découpée en six arguments titrés séparément, suivie d'un tableau de spécifications. Un modèle qui la lit a peu de choses à déduire, car chaque réponse forme déjà un bloc autonome sous un titre qui nomme la question à laquelle elle répond.
Une grande partie des conseils sur la visibilité IA sont en réalité des conseils sur le schema : nous avons donc retiré le schema. Les liens vers les produits dans le texte ont été retirés pour la même raison. Ce qui a bougé a bougé parce que le contenu était dans le HTML, organisé sous des titres et dans des tableaux, et lisible sans navigateur. Cela nous donne un socle propre : le prochain test ajoute les liens internes, le suivant ajoute les données structurées, et à chaque fois nous pouvons mesurer ce que l'ajout vaut à lui seul, plutôt que de tout publier d'un coup et de deviner quelle partie a fait le travail.
Autre élément volontairement écarté : seules 6 des 13 pages produit liées ont reçu leur propre bloc détaillé. Les sept autres sont simplement liées depuis la grille, rien de plus. Ce n'était pas un oubli. Cela laisse sept pages qui ont bénéficié de figurer sur une page enrichie sans avoir de texte à elles, ce qui s'avère être l'une des comparaisons les plus utiles de l'étude.
Les crawls d'entraînement ont été multipliés par 2.7x sur la catégorie traitée et par 2.2x sur la catégorie témoin. L'écart entre les deux est de 22%.
Chaque courbe est indexée pour que sa propre moyenne d'avant lancement vaille 100 : les deux partent donc au même niveau. Les deux font plus que doubler sur la fenêtre, y compris le témoin, qui n'a rien reçu. Seuls les 22% qui les séparent à l'arrivée peuvent être attribués aux pages d'entraînement.
En chiffres hebdomadaires bruts, la catégorie traitée est passée de 630 crawls par semaine à 1,690, une hausse de 2.7x. Sur les mêmes semaines, le contrôle resté intact est passé de 1,670 à 3,650, une hausse de 2.2x, sans la moindre page d'entraînement.
Le crawl IA grimpe sur presque tous les sites en ce moment : à peu près tout changement que vous publierez sera suivi d'une hausse des crawls. Une hausse seule porte donc très peu d'information. Ce qui porte de l'information, c'est de croître plus vite qu'une catégorie comparable laissée telle quelle.
La catégorie traitée a dépassé le contrôle de 17%.
Les mêmes données, marée montante neutralisée. La catégorie traitée est divisée par le contrôle, puis indexée pour que la moyenne d'avant lancement vaille 100. Au-dessus de 100, elle a crû plus vite que le reste du site.
Avant le lancement, la courbe oscille autour de 100 sans tendance, ce à quoi ressemble un contrôle valide : les deux catégories évoluaient ensemble. Après le lancement, elle monte et reste haute. La moyenne d'après lancement de la courbe elle-même est de 114. L'estimation formelle, qui est une régression en échelle logarithmique plutôt qu'une moyenne de ratios, est de +16.8% avec un intervalle de confiance à 95% de +7.8% à +26.4%. Deux estimateurs différents, tous deux dans la même fourchette.
La courbe bleue et la bande grisée sont deux objets différents. La courbe est un ratio quotidien et une journée isolée n'y signifie presque rien. La bande est le gain moyen estimé sur toute la fenêtre après lancement, et sa hauteur est l'incertitude autour de cette moyenne. C'est la bande qui constitue le résultat. Pas le dernier point de la courbe.
Comment nous avons validé le résultat : trois tests, et il a tenu aux trois.
Un test qui rend un bon chiffre ne vaut pas grand-chose à lui seul. Voici les trois que nous lui avons opposés.
46 dates de lancement inventées n'ont rien produit.
Nous avons rejoué toute l'analyse sur 46 dates de lancement inventées. Une méthode qui trouve des effets sur celles-là les trouve dans le bruit. Aucune des 46 n'a produit un effet aussi important que le vrai.
Aucune page ne porte le résultat à elle seule.
Nous avons retiré chacune des 13 pages tour à tour et rejoué l'analyse. Le résultat a tenu à chaque fois, dans une fourchette de +10% à +19%. Aucune page ne porte le résultat à elle seule.
L'estimation est stable selon les réglages.
Des longueurs de fenêtre et des retards d'autocorrélation différents déplacent l'estimation de quelques points et ne changent jamais la conclusion.
Un schéma mérite d'être montré à part. Le crawl suit un cycle hebdomadaire marqué, et le changement après lancement est très inégal selon le jour. Toute comparaison qui n'aligne pas les jours de la semaine à l'identique mesure en partie le calendrier.
Le samedi a baissé. Tous les autres jours ont monté, et le jeudi et le dimanche le plus fortement.
Une correction, et elle mérite d'être explicitée. Un résultat comme celui-ci pourrait en principe être une coïncidence : la première chose que nous faisons est donc de nous demander l'ampleur qu'aurait cette coïncidence. Notre premier passage donnait une probabilité d'obtenir cela par pure chance d'environ 1 sur 3,000.
Le test placebo nous a montré que ce chiffre était trop flatteur. Quand nous avons appliqué les mêmes calculs à des dates où rien ne s'était produit, ils annonçaient encore un résultat bien plus souvent qu'ils n'auraient dû : la méthode s'impressionne plus facilement qu'elle ne le laisse croire. Nous avons revu notre propre confiance à la baisse en conséquence. Une formulation honnête des probabilités est plus proche de 1 sur 50. Cela reste un vrai résultat, simplement une affirmation plus modeste que la première.
Ce ne sont pas les probabilités qu'il faut retenir. C'est la fourchette. Notre meilleure estimation du gain est de 17%, et la fourchette autour va de 8% à 26%. Voici la phrase que nous défendrions : les pages d'entraînement ont produit entre 8% et 26% de crawl supplémentaire, et très probablement autour de 17%.
Le crawl supplémentaire est allé vers les produits qui étaient en stock.
La moyenne de la catégorie masque la forme du phénomène. Détaillé sur les 13 pages produit, le crawl supplémentaire se répartit très inégalement.
C'est l'agrégation des pages avant lissage qui rend ceci lisible. Une page produit isolée reçoit une poignée de crawls par jour, et une courbe de ce type n'est presque que du bruit. Additionnées, les dix pages en stock restent stables tout le printemps puis montent d'un cran après le lancement. Les trois pages en rupture font autre chose, et ce n'est pas tout à fait l'histoire que nous attendions.
La courbe des pages en rupture glissait déjà avant l'existence des pages d'entraînement. Elle arrive basse à la date de lancement et baisse encore ensuite. Nous ne pouvons pas imputer l'intégralité de ce déclin aux pages d'entraînement, et nous ne le ferons pas. Une partie a commencé plus tôt, pour des raisons que cette étude n'a pas mesurées.
Page par page, le bruit saute aux yeux, et c'est bien l'intérêt de le montrer. Des panneaux individuels s'écartent largement de leur propre référence, dans les deux sens, avant même toute publication. Ce qui survit à ce bruit, c'est le décompte à la fin de la fenêtre.
Et il n'y a pas que le statut de stock. Rappelez-vous que seules six des treize pages ont reçu leur propre bloc détaillé. Classez les pages selon ce que la page d'entraînement leur a réellement donné, et un dégradé apparaît.
Les pages dotées de leur propre bloc rédigé ont gagné le plus. Les pages seulement liées depuis une page devenue plus riche ont gagné elles aussi, et c'est la moitié la plus surprenante : un produit n'a pas besoin de son propre texte pour en profiter. Les pages en rupture de stock ont perdu du terrain dans les deux cas.
Les trois pages en rupture de stock ont toutes perdu de l'attention de crawl sur la fenêtre. Neuf des dix pages en stock en ont gagné. L'exception, Pandora, est un article de faible valeur plutôt qu'un produit principal, et elle a reculé de 32%.
Cette affirmation repose sur 13 points de données et nous ne l'avions pas prédite à l'avance. Aucune page prise isolément n'est significative ici, et nous n'avons attaché de p-value à aucune d'elles. Une partie du recul des pages en rupture est par ailleurs antérieure au lancement, comme le montre le graphique agrégé. C'est une piste à tester sérieusement sur une autre catégorie, pas un résultat.
Le résultat porte sur les crawls d'entraînement. Il ne va pas plus loin que cela.
Ce que ce dispositif mesure bien, et là où il s'arrête.
Les crawls d'entraînement sont la métrique que cette étude peut porter. Les comptages quotidiens sont assez volumineux, le témoin est propre, et l'effet survit à tous les tests que nous lui avons opposés. Tout ce que contient ce rapport est une affirmation sur la fréquence à laquelle les crawlers IA ont récupéré ces pages, et rien de plus.
Le comportement en aval est une autre question. Les référents venus des assistants IA ressortent à +9% face au témoin, mais le plus petit changement que ce dispositif pouvait détecter de façon fiable est d'environ ±72% : ce chiffre est donc du bruit déguisé en résultat. Nous n'allons pas le présenter comme un constat. Mesurer ce qui se passe après le crawl demande beaucoup plus de trafic ou beaucoup plus de temps, et probablement les deux.
Une catégorie ne fait pas une loi. Il s'agit d'une seule catégorie traitée, mesurée face à un seul témoin sur huit semaines. C'est suffisant pour dire que le mécanisme a fonctionné ici. Ce n'est pas suffisant pour dire quelle serait l'ampleur de l'effet sur un autre catalogue, dans un autre secteur, ou dans un an.
Construire votre première page d'entraînement LLM : quoi y mettre, et comment savoir si elle a marché.
Voici la page que nous avons mesurée, décrite comme un cahier des charges, plus le dispositif de mesure que nous exigerions avant toute mise en ligne.
La page qui a produit un gain de 17% est une page de listing de catégorie avec un long bloc de HTML prérendu, bien organisé, sous la grille de produits. Il n'y a aucune astuce dedans. Les étapes ci-dessous sont ce qui compose cette page, dans l'ordre où nous la reconstruirions.
Placez-le sur la page de catégorie, sous la grille
Pas sur une nouvelle URL, et pas caché derrière un onglet ou un accordéon. La page que vous enrichissez est celle qui pointe déjà vers chaque produit de la gamme, et ce sont ces liens produit que le crawler suit ensuite.
Faites d'abord le SEO technique ennuyeux, car rien de tout cela ne marche sans lui
La page doit être atteignable avant de pouvoir être lue. Vérifiez qu'elle renvoie un 200 et qu'elle n'est pas bloquée dans robots.txt pour les user-agents IA qui vous intéressent, qu'elle figure dans le XML sitemap, qu'elle est liée depuis un endroit réel plutôt qu'orpheline, que la canonical pointe vers elle-même, et qu'elle n'est pas en noindex. Chaque chiffre de ce rapport dépend de la capacité d'un crawler à atteindre la page, et aucune ligne de texte ne compte s'il n'y parvient pas.
Prérendez-la. C'est la partie qui n'est pas optionnelle
Le texte doit se trouver dans le HTML qui arrive du serveur. Si un crawler doit exécuter du JavaScript pour voir votre contenu, partez du principe qu'il ne le verra pas. Récupérez la page avec le JavaScript désactivé et lisez ce qui revient. C'est cela, votre page d'entraînement.
Rien ici n'est spécifique à une plateforme. Une page de listing de catégorie reste une page de listing de catégorie, et toutes les grandes stacks ecommerce savent en générer une côté serveur. Ce qui change, c'est ce qui risque de la casser.
Le test est le même partout et prend une minute : demandez la page avec le JavaScript désactivé et lisez ce qui revient. Si le bloc n'est pas dans ce HTML, il n'existe pas du point de vue de cette étude.
Un bloc par produit que vous voulez vraiment vendre, environ 400 mots
Six produits ont reçu un bloc ici, d'environ 400 mots en moyenne. Chacun suivait le même squelette : une section « ce qui distingue ce produit », puis un tableau de spécifications. La répétition d'un produit à l'autre est une qualité. Elle rend toute la gamme facile à analyser et facile à comparer.
Découpez l'argumentaire en six raisons titrées séparément
Pas une liste à puces, et pas un seul paragraphe continu. Chaque raison reçoit son propre sous-titre et environ 30 mots en dessous. Le titre doit nommer ce à quoi il répond, pour que la réponse puisse être extraite seule et garder son sens.
Donnez à chaque produit un tableau de spécifications
Environ 14 lignes d'attributs : tout ce qu'un acheteur comparerait réellement avant de choisir entre deux de vos produits. Un tableau énonce le fait et l'étiquette du fait sur la même ligne, ce qui explique pourquoi il résiste bien mieux à l'extraction que la même information rédigée en prose.
Ajoutez un tableau comparatif sur toute la gamme
Mêmes attributs, tous les produits, prix inclus. C'est l'objet le plus citable de la page : c'est la réponse à « lequel dois-je prendre », la question que les gens posent réellement à un assistant.
Terminez par quatre ou cinq vraies questions d'achat
Des questions en titres, des réponses d'environ 100 mots, et un petit tableau dans la réponse là où un tableau aide. Écrivez les questions que reçoit votre équipe commerciale, pas celles que suggère un outil de mots-clés.
Pointez-la vers des produits que vous pouvez réellement vendre
Toutes les pages en rupture de stock de cette étude ont perdu de l'attention de crawl pendant que les pages en stock en gagnaient. Cette scission n'est pas démontrée et une partie du recul est antérieure au lancement, mais agir en conséquence ne coûte rien. Ne dépensez pas votre budget de crawl à promouvoir des produits que personne ne peut acheter.
Choisissez une catégorie témoin avant de construire quoi que ce soit
Prenez une catégorie comparable, de taille et de trafic similaires, et actez par écrit qu'elle ne recevra pas de pages d'entraînement ce trimestre. Sans elle, vous ne pouvez pas distinguer votre effet de la hausse sectorielle du crawl IA, et vous finirez par présenter cette hausse comme si vous l'aviez provoquée.
Collectez au moins huit semaines de référence au préalable
Il vous faut assez d'historique pour montrer que les deux catégories évoluaient ensemble avant que vous n'en modifiiez une. Si elles divergeaient déjà, la comparaison ne vaut rien, et seule la période de référence peut vous le révéler.
Enregistrez les hits des crawlers IA au niveau de l'edge, par URL, par jour
Logs serveur ou CDN, pas un tag analytics JavaScript : les crawlers qui vous intéressent n'exécutent jamais le tag. Gardez la granularité quotidienne. La journée est l'unité que vous analyserez, car une seule session de crawler peut déclencher des centaines de requêtes d'un coup et compter les hits rendrait à peu près n'importe quoi significatif.
C'est exactement ce pour quoi WISLR AI Channel Analytics a été conçu. L'outil lit le trafic des crawlers IA au niveau de l'edge, par URL et par jour, depuis vos propres logs plutôt qu'à partir d'une estimation tierce, soit précisément les données sur lesquelles repose chaque chiffre de ce rapport. Si vous ne voulez pas assembler le pipeline vous-même, c'est le raccourci.
Présentez l'écart, jamais la croissance brute
Vos crawls vont monter. Ceux du témoin aussi. Le seul chiffre qui mérite d'être présenté à une direction ecommerce, c'est l'écart entre les deux, et tout rapport qui vous montre une croissance de crawl sans groupe de comparaison vous montre un graphique, pas un résultat.
Remesurez dans un trimestre
Les semaines les plus fortes de cette étude sont les deux dernières. C'est soit un effet cumulatif à mesure que les crawlers réindexent la gamme, soit du bruit, et huit semaines ne permettent pas de trancher. Programmez le suivi dès maintenant, tant que le témoin existe encore.
Nous pouvons mener cette étude sur votre catalogue.
Nous construisons les pages d'entraînement, nous réservons une catégorie comparable comme référence avant toute mise en ligne, et nous mesurons ce que les pages ont produit face à elle. C'est toute la différence entre annoncer une hausse de 2.7x et annoncer les 22% que vous avez réellement provoqués.