Comment COSMO, l'IA d'Amazon, lit vos fiches produits — et comment nous l'exploitons

1. Ce que fait COSMO, en une minute

En 2024, Amazon Science a publié COSMO, un système de génération et de mise à disposition de « connaissance de bon sens » pour le e-commerce. L'idée de départ est simple : les catalogues décrivent des attributs (matière, contenance, couleur), alors que les acheteurs formulent des situations (« pour un cadeau de crémaillère », « pour peau réactive », « pour un four encastrable »). Entre les deux, il manque une couche de bon sens.

COSMO fabrique cette couche à partir de ce qu'Amazon observe le mieux : le comportement. À partir de couples requête → achat et de co-achats, un modèle de langage propose des relations candidates du type « utilisé pour », « convient à », « s'utilise dans », « capable de ». Ces candidats sont ensuite filtrés — annotation humaine puis modèle critique — pour ne garder que les affirmations plausibles et utiles. Le résultat est servi à la recherche comme signal supplémentaire pour interpréter une requête et ordonner les résultats.

Autrement dit : Amazon apprend que les gens qui cherchent « gourde pour randonnée » achètent en réalité des bouteilles isothermes légères à bouchon étanche — et il attend de vos fiches qu'elles rendent ces propriétés lisibles.

2. Ce que ça change pour l'optimisation de fiche produit Amazon

La bascule n'est pas « les mots-clés sont morts ». Les mots-clés servent toujours à être candidat sur une requête. Ce qui change, c'est la façon de gagner une fois candidat.

Trois conséquences très concrètes.

a. Un fait par puce, et un attribut nommé

« Conçu pour durer, pour tous vos moments du quotidien » n'est pas extractible. « Bouchon étanche testé 1 000 ouvertures — passe au lave-vaisselle (panier supérieur) » l'est. La première phrase décore ; la seconde alimente une relation exploitable.

b. Les contraintes valent autant que les bénéfices

Les intentions d'achat sont souvent des filtres négatifs : sans parfum, sans gluten, compatible induction, ne convient pas aux moins de 3 ans. Ces mentions sont rarement dans les fiches parce qu'elles ne « vendent » pas. Elles sont pourtant ce qui permet d'être retenu sur une requête située — et ce qui évite les retours.

c. La cohérence inter-champs devient un actif

Titre, bullets, description, A+ content et attributs backend doivent raconter la même chose. Un titre qui dit « 500 ml » et un bullet qui dit « 0,75 L » ne créent pas seulement un doute client : ils dégradent la confiance qu'un système peut accorder à l'ensemble de la fiche.

3. Comment nous l'adressons

Écrire une fiche « lisible par une IA » n'est pas difficile. Le faire sur 2 000 références, dans cinq langues, sans casser la voix de marque ni les mentions réglementaires : c'est là que ça se joue. C'est le travail de nos agents.

1. Carte d'intentions. Pour chaque catégorie, nous reconstituons les situations d'achat réelles à partir des requêtes, des questions clients, des avis et des retours produits. Sortie : la liste des usages, publics et contraintes qu'une fiche doit couvrir.
2. Audit d'extractibilité. Nous passons le catalogue existant au crible : quels faits sont extractibles, lesquels manquent, où sont les contradictions entre champs. Sortie : un score par fiche et une liste de trous à combler.
3. Réécriture par agents. Un agent produit le contenu (titre, bullets, description, A+, attributs), un autre le contrôle : un fait par puce, attribut nommé, conformité réglementaire, ton de marque, aucune affirmation non sourcée dans vos données produit.
4. Contrôle de cohérence. Vérification croisée automatique entre champs et entre langues : unités, contenances, compatibilités, allégations. Rien ne sort si deux champs se contredisent.
5. Mesure sur cohortes. Nous comparons des groupes de fiches comparables, avant / après, plutôt que de commenter une courbe globale — c'est la seule façon de savoir si le contenu a produit l'effet, et c'est aussi ce sur quoi notre rémunération est indexée.

La boucle est vertueuse, et c'est le point le plus important : COSMO se nourrit du comportement d'achat. Une fiche qui convertit mieux produit des signaux plus nets, qui renforcent les intentions associées à votre produit, qui améliorent votre visibilité sur les requêtes situées. Le contenu n'est pas un coût de mise en ligne : c'est ce qui alimente l'algorithme.

Questions fréquentes

Sources

• Amazon Science — COSMO: A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon (2024)
• About Amazon — Rufus, l'assistant d'achat génératif d'Amazon

Nous décrivons ici des mécanismes documentés publiquement par Amazon. Les recommandations opérationnelles sont notre lecture de ces publications, croisée avec nos observations terrain sur les catalogues que nous traitons. Amazon ne publie pas le détail de son classement.