Comment nous mesurons
Mesure technique de lisibilité IA — pas un jugement de qualité
Cette page décrit exactement ce que mesure notre AI-Readiness Score, comment il est pondéré et ce qu'il n'est explicitement PAS. Tous les chiffres correspondent au code (computeOverallScore8 dans agenticCommerce.ts).
Important: Il s'agit d'une mesure technique de la lisibilité IA, PAS d'un jugement sur la qualité, la fiabilité ou la réputation de la boutique.
Version du score: v2-8pillar-2026-06
1. Ce que nous mesurons
Nous mesurons uniquement la lisibilité technique par les IA et agents d'une boutique en ligne publiquement accessible : les agents d'achat IA (GPT, Claude, Perplexity, Gemini) peuvent-ils trouver, interpréter la boutique et y préparer des transactions ? Le score ne dit rien sur la qualité produit, le service client, les prix ou la gestion.
2. Comment nous mesurons — 8 piliers avec poids fixes
Le score final est une moyenne pondérée de 8 piliers. Les poids sont codés en dur et enregistrés à chaque scan avec la version du score. Au total, nous effectuons ~30 contrôles déterministes.
| Pillar | Weight | What |
|---|---|---|
| AI Visibility | 15% | Visibilité dans les réponses IA.
|
| Agentic Commerce | 15% | Un agent IA peut-il initier des transactions ?
|
| Schema.org | 13% | Données structurées schema.org.
|
| Product Content | 13% | Qualité des données produit lisibles par machine.
|
| Technical | 12% | Lisibilité technique de base.
|
| Trust Signals | 12% | Signaux de confiance publics.
|
| Transaction Readiness | 10% | Une transaction peut-elle techniquement aboutir ?
|
| Operational Maturity | 10% | Signaux de maturité opérationnelle.
|
Défauts de poids : si un pilier déterministe ne peut être mesuré, nous appliquons un défaut conservateur de 40 (voir PILLAR_DEFAULTS). Pour aiVisibility, nous n'appliquons JAMAIS de défaut : si les trois modèles IA échouent, le pilier est retiré du numérateur et du dénominateur — pas de « 50 silencieux ».
3. Ce que le score N'EST PAS
Ce score n'est explicitement pas :
- pas un label de confiance ou de sécurité
- pas un avis consommateur ni un score d'expérience
- pas un jugement juridique ni de conformité RGPD
- pas une recommandation d'acheter ou d'éviter
- pas une garantie de disponibilité, qualité ou service après-vente
4. Reproductible
Chaque boutique peut recalculer son propre score : les 30+ contrôles déterministes interrogent des endpoints publics et des signaux HTML (/.well-known/mcp.json, /llms.txt, robots.txt, JSON-LD Offer). Chaque scan enregistre les poids, défauts, statut aiMeasured et version du score. Sur demande, nous fournissons l'objet `pillarsUsed` / `defaultsUsed` complet.
5. Limitations and known uncertainties
Deterministic checks vs. vendor-specific AI Visibility
Seven of the eight pillars consist of deterministic checks against public endpoints and HTML — vendor-independent and reproducible. Only the AI Visibility pillar (15%) is vendor-specific: it measures visibility with the current generation of models (GPT, Claude, Perplexity, Gemini). A high AI Visibility score therefore does not automatically guarantee visibility with future or other agents.
Rendering: agent-suitability ≠ readability without JavaScript
We fetch every shop both with a headless browser (JavaScript executed) and as raw HTML. The difference between the two is reported as an explicit, named finding — a JS-dependent shop is not silently penalised, it gets a visible observation that non-rendering crawlers see less.
Where the weights come from
The weights (15/15/13/13/12/12/10/10) are reasoned estimates based on failure impact: how badly does an agent interaction break when this signal is missing? They are NOT empirically validated against actual agent conversion rates. This is the same approach Google Lighthouse takes; we prefer to state it rather than let the score look more precise than it is.
Bonus categories do not add to the 100
Google Agent-Friendliness and Product Data Integrity are informational findings/badges. They are shown separately, do not add on top of the 100 points, and are not a multiplier. The final score is purely the weighted average of the eight pillars.
Measurement uncertainty and model drift
LLM judgements are sensitive to prompt variation and model updates. We therefore run a weekly test-retest check: the same shop is scanned twice on the same day and the score difference is logged and published as a measurement-uncertainty figure (± points). Score changes within that band should not be read as real site changes.
Selection bias in the discovery engine
Our discovery engine finds more discoverable shops first, so the Registry is not representative of the full EU e-commerce market. This is acknowledged and not yet mitigated. A stratified sample per country and sector is on the roadmap for Q4 2026.
Opposition ou correction
Vous êtes propriétaire de la boutique et quelque chose ne va pas ? Demandez la suppression ou une réévaluation via /data-aanvraag ou privacy@langhoormarchal.com.