Amazon Rufus : la visibilité passe des mots-clés à la pertinence IA

Rufus est l'assistant shopping d'Amazon basé sur l'IA. Il répond aux questions d'achat directement dans l'app, compare les produits et termine par une courte sélection de produits recommandés. En 2025, plus de 300 millions d'acheteurs l'ont utilisé, et les interactions ont augmenté de plus de 210 % sur un an. Pour les marques présentes sur Amazon, la notion de visibilité change : ta position dans le classement ne suffit plus, ce qui compte, c'est que Rufus recommande activement le produit.

Le sujet prend vite de l'importance. Aux États-Unis, Amazon a fusionné Rufus et Alexa+ en mai 2026 pour créer Alexa for Shopping ; en Europe, l'assistant s'appelle toujours Rufus. En parallèle, Amazon introduit un profil acheteur, « Tell us about you », qui affiche des produits différents pour la même requête selon la personne, et retravaille les titres produits autour de 75 caractères. Dans cet article, on te montre comment Rufus fonctionne, ce qui change pour le contenu et la visibilité, et quels leviers tu as en main.

Rufus ne répond pas à une question par une longue liste de résultats. En moyenne, il ne cite qu'environ cinq produits. Une marque qui n'en fait pas partie est pratiquement invisible pour ces acheteurs. En coulisses, trois éléments travaillent ensemble. D'abord, Rufus décide quels produits sont assez pertinents pour entrer dans la réponse et récupère les informations utiles dans la fiche produit. COSMO, le graphe sémantique d'Amazon qui réunit des connaissances du quotidien et du shopping, en interprète le sens et le rapproche de l'intention derrière la requête. Ensuite seulement, A9 classe les produits restants selon les signaux de performance habituels, comme la vélocité des ventes et le Best Seller Rank. Techniquement, tout repose sur une architecture RAG : l'assistant puise des informations dans les fiches, les avis et les questions, puis un modèle de langage formule la réponse à partir de ces éléments.

Le vrai changement tient à l'ordre : la pertinence est évaluée avant le classement. Un produit doit d'abord être assez pertinent pour entrer dans la réponse ; s'il ne passe pas ce filtre, sa position dans le classement ne compte plus. Rufus sélectionne donc de façon bien plus stricte que la recherche classique. On le constate régulièrement dans notre travail quotidien avec de grandes marques : tous les produits classés en page 1 n'arrivent pas dans la recommandation. Un bon classement en page 1 ne garantit pas une mention par Rufus.

L'assistant ne vérifie plus si un terme comme « crème visage SPF 50 » figure dans le titre. Il regarde si la fiche répond à une question complète, par exemple « quelle crème SPF 50 convient à une peau grasse et tient sous le maquillage ? ». Pour la rédaction, cela veut dire que le contenu doit apporter quelque chose qui mérite d'être récupéré, pas seulement des mots-clés qui tombent juste.

L'indexation sémantique d'Amazon s'appuie sur des modèles de type BERT. Ils mesurent la proximité de sens entre une requête et un produit et relient des formulations proches, même sans mot en commun. « Éclairage LED pour le salon » et « lampe extérieure pour le jardin » se retrouvent côte à côte, comme des sens voisins. Mais ça ne fonctionne que si le contenu est structuré et lisible par une machine : des attributs complets, des champs bien séparés, aucun texte caché dans un format impossible à analyser. Une fiche solide sur le fond mais mal structurée est tout simplement ignorée par l'assistant.

En pratique, il faut orienter les titres et les bullet points vers des situations d'usage et des bénéfices. Un titre comme « Sac à dos imperméable pour PC 16 pouces, trajets et plein air » porte un usage concret. Le nombre de caractères limité oblige à faire des choix, c'est pourquoi une gestion propre des 75 caractères du titre paie directement ici. L'essentiel est d'associer chaque caractéristique à sa fonction : « niacinamide pour plus d'éclat » est plus clair pour l'assistant que « niacinamide », et « LED pour l'efficacité énergétique » plus clair que « technologie LED ».

Amazon ne communique pas le poids exact de chaque élément d'une fiche. Il existe pourtant quelques champs dont l'effet est bien documenté dans la pratique et qu'une marque contrôle directement. Certains, les équipes vendor les perdent sans s'en apercevoir.

Le premier est la description backend en texte brut. A9 l'indexe toujours, même quand le contenu A+ la remplace côté acheteur. C'est précisément là que la perte silencieuse commence : les équipes qui cessent d'entretenir ce champ après le lancement de l'A+ perdent du classement sans que rien n'apparaisse dans le reporting. Ce champ doit être tenu à jour, et ajusté dès que la stratégie de mots-clés évolue.

Pour les images, c'est une reconnaissance d'image par IA qui prend le relais : elle lit les attributs du produit directement sur l'image. En pratique, il faut donc optimiser l'image elle-même, avec des visuels nets, des attributs lisibles et une hiérarchie des bénéfices qui montre l'argument principal en quelques secondes. Selon certains rapports, Amazon remplace de plus en plus les textes alternatifs rédigés par les marques par des descriptions générées par IA, apparemment déjà en grande partie en Europe, mais ce n'est pas confirmé. Dans tous les cas, le travail sur l'image elle-même reste important.

Le contenu A+ est le cas le moins clair : on ne sait pas si son texte alimente A9, et pour le classement classique par mots-clés, il ne change pratiquement rien. Comme levier de conversion, l'A+ reste pourtant fort : selon les chiffres d'Amazon, le Basic augmente la conversion jusqu'à 8 % et le Premium jusqu'à 20 %. Les modules de questions-réponses (Q&A) sont un quatrième levier, souvent négligé : ils fonctionnent comme des données structurées que l'assistant peut lire. Avec la description backend, ce sont les surfaces où une marque garde la main sur une rédaction proche de l'intention, même après le changement sur les textes alternatifs. Les deux doivent rester à jour et cohérents entre eux.

Sur cette nouvelle couche, les avis ne sont pas accessoires. Ils comptent parmi les facteurs les plus forts pour savoir si l'assistant recommande un produit. Une bonne note et un bon Best Seller Rank sont le minimum : seuls, ils ne décident rien, mais sans eux un produit passe difficilement la présélection.

La vraie différence se joue plus en profondeur, dans le contenu des avis. L'assistant résume les avis, en extrait les thèmes récurrents et reprend le sentiment dans sa recommandation. Les avis détaillés et centrés sur des bénéfices concrets pèsent plus qu'un grand nombre d'étoiles sans commentaire. Conséquence inconfortable : ce que la marque promet dans son contenu, ce qu'elle affirme dans ses allégations et ce que disent les avis doivent concorder. Sinon, l'assistant lit une contradiction au lieu d'une confirmation.

S'ajoute à cela l'autorité en dehors d'Amazon. L'assistant prend en compte des signaux externes : avis d'experts, mentions dans la presse, contenus générés par les utilisateurs, certifications. Ces signaux d'autorité externes, qui relèvent au fond de l'E-E-A-T, se répercutent sur la visibilité sur Amazon. Le travail hors Amazon n'est donc pas un budget RP à part, c'est un facteur de visibilité sur la plateforme elle-même.

Amazon déploie un profil appelé « Tell us about you ». Les acheteurs y décrivent avec leurs propres mots leur style, leurs loisirs, leur foyer et les personnes pour qui ils achètent. Ces informations sont conservées et s'appliquent à Rufus, à Alexa et au reste du shopping Amazon, pas seulement à une session. Il s'agit de texte libre, pas de menus déroulants.

Pour une marque, la conséquence est directe. La même requête renvoie des sélections de produits différentes selon le profil enregistré. L'assistant doit faire correspondre une identité à des attributs produit, des textes de fiche et des signaux ASIN, et ce à grande échelle. Chaque ASIN a donc besoin d'une réponse claire à une seule question : à qui ce produit s'adresse-t-il en particulier, et pourquoi l'assistant devrait-il le proposer à cette personne précise ? Une fiche qui ne porte pas cette réponse reste difficile à placer pour l'assistant, même si elle est par ailleurs très bien rédigée.

Les métriques classiques tournent autour du classement et du trafic, c'est-à-dire de la visibilité d'un produit sur une page de résultats. Sur la couche IA, ce n'est plus valable. Un produit n'est plus seulement classé : il est sélectionné, résumé et recommandé dans une réponse générée. Ici, être visible veut simplement dire que l'assistant cite ton produit, ou pas.

Une nouvelle métrique est en train d'émerger : la part de recommandations IA, souvent appelée AI Share of Voice. Elle mesure à quelle fréquence une marque apparaît dans les réponses de l'assistant sur l'ensemble des requêtes pertinentes. Ce n'est pas une métrique officielle d'Amazon, mais un indicateur issu de la pratique, encore en construction. Il diffère structurellement de la visibilité classique : dans une liste de résultats, la visibilité est une part progressive ; dans la réponse d'un assistant, elle est presque binaire. La marque est citée ou elle ne l'est pas.

Deux constats encadrent cette mesure. Le levier le plus fort sur le long terme reste la combinaison du Best Seller Rank et de la conversion. Le travail sur le contenu agit à l'intérieur de ce plafond, il ne le remplace pas. Et le PPC fait surtout progresser le classement A9 classique via la vélocité des ventes, et moins directement la visibilité IA. En pratique, les produits forts en organique apparaissent plus souvent dans les recommandations que les emplacements payants. Si tu veux piloter cette couche, il te faut une mesure qui montre si la marque apparaît dans les réponses, comment cela évolue dans le temps et où des concurrents sont cités alors que toi, tu n'y es pas. Le lien avec un Share of Voice existant, on l'a expliqué dans un autre article.

Voici les étapes concrètes qui en découlent, pour les équipes qui gèrent Amazon de toute façon.

• Garde des attributs complets et cohérents. Si un attribut manque ou est mal renseigné, le produit sort de la sélection avant même que le bullet point bien rédigé soit lu.
• Rédige des textes orientés usages et bénéfices. Relie titres, bullet points et description à des usages et des situations concrètes, pas à une liste de mots-clés.
• Associe chaque caractéristique à sa fonction. Relie explicitement chaque ingrédient, chaque fonctionnalité à son bénéfice.
• Construis une couche Q&A. Réponds systématiquement aux questions issues de ta propre fiche, des avis 3 étoiles et du service client.
• Garde la description backend vivante. Continue à l'entretenir après le lancement de l'A+, sinon tu perds du classement sans t'en rendre compte.
• Encourage des avis détaillés. Vise des avis substantiels et centrés sur les bénéfices, et veille à ce que contenu, allégations et avis ne se contredisent pas.
• Développe ton autorité externe. Avis d'experts, mentions et certifications se répercutent sur la visibilité sur Amazon.
• Mesure les mentions IA. Commence tôt pour savoir si ta marque apparaît dans les réponses de l'assistant.

Une grande partie de ce travail peut se faire en interne. Ce qui atteint vite ses limites sur de nombreuses marketplaces et langues, c'est le volume : des textes structurés, orientés usages et bénéfices, pour des centaines d'ASIN, et une vision claire des endroits où une marque passe aujourd'hui à côté de chiffre d'affaires parce que ses fiches ne sont pas encore prêtes pour Rufus. Beaucoup de marques utilisent pour cela deux modules de Remdash, notre plateforme de croissance pour Amazon basée sur l'IA. Content AI génère les textes dans le ton de la marque sur de nombreux ASIN, au lieu de rédiger chaque fiche une par une. Customer Signals, un module lancé récemment, montre pour chaque ASIN à quel point une fiche est prête pour Rufus, et où une marque perd en ce moment de la visibilité face à ses concurrents.

Derrière cela, quatre dimensions définissent la « Rufus-readiness » : la clarté avec laquelle le contenu répond aux cas d'usage et à l'intention d'achat, la solidité des signaux de confiance issus des avis et des Q&A, la rapidité avec laquelle une marque répond aux questions des clients, et la capacité des images à rendre les bénéfices clés lisibles aussi pour l'IA de reconnaissance d'image. Un résultat faible sur une seule de ces dimensions explique souvent pourquoi un produit par ailleurs performant n'apparaît pas dans les réponses. Le point de départ reste le même : voir d'abord où la marque n'est pas encore prête pour Rufus, puis remettre à niveau les champs qui font la différence. Tout ce changement s'inscrit aussi dans le mouvement plus large vers le commerce agentique, où des assistants achètent pour le compte des clients via des protocoles de paiement ouverts. Là, être dans la réponse, c'est tout ce qui compte.