Transforme une fiche produit qui fonctionne déjà en gabarit-prompt paramétré par les colonnes de ton fichier de données, puis génère tout ton catalogue en lot avec Claude et ChatGPT. Le tuto ajoute ce qui manque à la génération en volume : un contrôle par échantillon avant le lot complet et une checklist de cohérence de gamme, pour que trente fiches restent aussi fiables qu'une seule.
Ta fiche produit gourde Nomad est prête, relue et validée. Le fournisseur vient de livrer vingt-neuf autres références de la même gamme, chacune avec ses propres dimensions, coloris et compatibilités. Relire chaque nouvelle fiche au même niveau d'attention prendrait ta journée entière. Ce tuto part de ce moment précis : une fois qu'une fiche fonctionne, comment la transformer en gabarit capable de produire les vingt-neuf suivantes sans perdre le contrôle qui évite les erreurs en série.
Ce tuto s'adresse aux e-commerçants et gestionnaires de catalogue qui doivent mettre en ligne un lot de références d'un coup, à la sortie d'un nouvel arrivage ou du lancement d'une nouvelle gamme. Rédiger une fiche à la main se relit intégralement en quelques minutes : une fiche fausse y reste une erreur isolée. Trente fiches ne se relisent plus de la même façon. Une caractéristique inventée qui se répète sur plusieurs références ressemble alors moins à un accident qu'à une pratique organisée. L'article L111-1 du Code de la consommation impose que chaque caractéristique publiée soit une information précontractuelle vérifiée, l'article L121-2 qualifie de pratique commerciale trompeuse toute allégation fausse sur les caractéristiques d'un produit et l'article L132-2 punit cette pratique de deux ans d'emprisonnement et 300 000 euros d'amende, peines portées à cinq ans et 750 000 euros lorsque l'infraction est commise par l'utilisation d'un service de communication au public en ligne, ce qui est le cas d'une fiche publiée sur ta boutique. Ce tuto construit un protocole reproductible pour passer de une à plusieurs dizaines de fiches sans transformer chaque nouvelle gamme en corvée de relecture totale ni en risque légal démultiplié.
Avant de commencer, prépare une fiche produit modèle qui fonctionne déjà (celle qui a servi de référence pour cette gamme ou pour un produit similaire) et le fichier de données complet de ta gamme en tableur ou CSV, avec une colonne dédiée à chaque caractéristique du produit. Prévois aussi un compte gratuit Claude et un compte gratuit ChatGPT, 35 minutes devant toi et le format de colonnes exact attendu par ta boutique en ligne pour l'export final.
Tu vas dérouler 4 étapes : isoler la structure du gabarit à partir de ta fiche modèle, tester ce gabarit sur un petit échantillon de la gamme, contrôler la cohérence de gamme sur cet échantillon puis lancer le lot complet et l'exporter au format réimportable. Chaque étape ne passe à la suivante qu'une fois l'échantillon validé, jamais avant.
Avant d'importer le fichier complet dans ta boutique, reprends ta checklist de cohérence de gamme et vérifie qu'elle s'applique encore une fois sur le lot entier, pas seulement sur l'échantillon initial. Un gabarit qui tient sur cinq produits peut dériver sur la trentième ligne si une catégorie de produits s'éloigne trop du modèle de départ : une gourde et un sac à dos n'ont pas le même nombre de caractéristiques à décrire. Un exemple concret aide à fixer le niveau d'exigence. Sur une gamme fictive de huit gourdes isothermes de la marque Nomad, l'échantillon de contrôle a porté sur trois références aux profils différents : la plus petite, la plus grande et celle avec un coloris limité. Le contrôle a révélé un point commun involontaire : cinq fiches sur huit reprenaient presque mot pour mot la même phrase d'accroche. Le gabarit a été corrigé pour forcer une variation sur cette phrase avant de relancer le lot complet. Si ta gamme mélange plusieurs catégories de produits très différentes, matériel technique et accessoires textiles par exemple, ne force pas un seul gabarit sur les deux. Répète l'étape 1 pour construire un second gabarit adapté à l'autre catégorie plutôt que d'ajouter des exceptions dans le même prompt : un gabarit avec trop de branches conditionnelles finit par produire des fiches incohérentes. Le tuto rédiger une fiche produit qui convertit avec l'IA explique comment construire la fiche modèle de départ si tu pars de zéro. Retrouve l'ensemble des ressources du métier sur le hub e-commerce Shift IA.
Résultat attendu : Le gabarit contient une variable entre crochets pour chaque colonne du fichier utilisée dans la fiche, avec une règle explicite de blocage sur donnée manquante et sans aucune phrase fixe qui invente un contenu variable.
Relis le gabarit en te projetant sur un produit fictif de ta gamme et vérifie que chaque variable entre crochets correspond bien à une colonne réelle de ton fichier, pas à une supposition du modèle. Contrôle en particulier la consigne sur les données manquantes : si le gabarit prévoit une formulation de secours pour une colonne vide, réécris-la pour qu'elle affiche explicitement [donnée manquante] à la place.
Résultat attendu : Chaque fiche de l'échantillon correspond exactement aux données du fichier source, sans caractéristique ajoutée et sans donnée manquante comblée par une supposition.
Choisis un échantillon qui représente la diversité réelle de ta gamme et pas seulement les produits les plus simples à décrire : une référence d'entrée de gamme, une référence haut de gamme et une référence avec des données incomplètes suffisent en général pour un premier test. Reprends ensuite chaque fiche générée et compare-la ligne par ligne à sa source dans le fichier : toute caractéristique chiffrée, compatibilité ou allégation qui ne figure pas dans le fichier de données est une hallucination à corriger dans le gabarit, pas dans la fiche isolée.
Résultat attendu : Le gabarit mis à jour ne reproduit plus l'écart identifié quand tu le retestes mentalement sur les deux fiches concernées. La liste des écarts restants distingue clairement différence légitime et dérive à corriger.
Reprends la liste des écarts et tranche pour chacun : certains viennent d'une vraie différence entre produits (une référence a plus de caractéristiques techniques qu'une autre) et n'ont pas besoin d'être corrigés. D'autres viennent d'une dérive du modèle sur un traitement répété et doivent être corrigés dans le gabarit avant de continuer. Mets à jour le gabarit de l'étape 1 avec les correctifs retenus avant de passer au lot complet.
Résultat attendu : Tu obtiens un tableau exportable en CSV avec une ligne par produit et les colonnes attendues par ta boutique remplies, un second échantillon de contrôle sans écart avec le fichier source et la liste des lignes à compléter manuellement avant import clairement identifiée.
Ne relis pas fiche par fiche sur le lot complet : ce serait revenir au temps que ce workflow doit justement éviter. Applique plutôt le même contrôle par échantillon qu'à l'étape 2, mais sur un nouveau tirage : reprends 3 à 5 fiches choisies au hasard dans le lot complet (si possible différentes de celles de ton premier échantillon) et vérifie-les ligne par ligne contre le fichier source. Regarde aussi le nombre de lignes signalées avec une donnée manquante : si ce nombre est élevé, corrige plutôt les colonnes incomplètes de ton fichier de données avant l'import.
Oui, sur ta première gamme compte plutôt 50 minutes à une heure : le temps de bien isoler la structure de ton gabarit à l'étape 1 et de choisir un échantillon vraiment représentatif à l'étape 2. Une fois ce gabarit calé pour une catégorie de produits donnée, les gammes suivantes de la même catégorie passent sous les 30 minutes : la génération du lot complet elle-même ne prend que quelques minutes.
Claude tend à signaler explicitement ce qui manque plutôt que de le compléter par une supposition, ce qui compte pour construire un gabarit qui respecte la règle du donnée manquante. ChatGPT gère bien l'application répétée d'un même gabarit sur plusieurs lignes d'un coup. Ce n'est pas une règle absolue : si tu n'as accès qu'à un seul des deux outils, tu peux dérouler tout le workflow avec lui, à condition de garder le contrôle par échantillon entre chaque étape.
Le format du fichier importe peu : un tableur Excel copié dans le prompt fonctionne aussi bien qu'un CSV. Ce qui compte est que chaque colonne corresponde à une caractéristique précise et cohérente d'une ligne à l'autre. Si ta gamme mélange des catégories de produits très différentes, matériel technique et accessoires textiles par exemple, construis un second gabarit dédié à cette catégorie plutôt que d'ajouter des exceptions dans le même prompt.
Reprends d'abord le fichier de données : une erreur qui touche plusieurs fiches à la fois vient presque toujours d'une colonne mal renseignée ou d'un intitulé ambigu dans le fichier, pas d'un hasard du modèle. Corrige la colonne concernée, relance uniquement les fiches affectées avec le même gabarit et recontrôle un nouvel échantillon avant de republier. Ne corrige jamais une fiche générée directement à la main sans reporter la correction dans le fichier source, sinon la même erreur reviendra à la prochaine gamme.
Une fiche produit modèle qui fonctionne déjà et un fichier de données avec une colonne par caractéristique du produit, sans quoi il n'y a rien à paramétrer. Un compte gratuit Claude et un compte gratuit ChatGPT suffisent pour dérouler les 4 étapes. Regarde aussi en amont le format de colonnes exact attendu par ta boutique à l'import, Handle et Title pour Shopify par exemple, pour éviter de retravailler l'export après coup.
Gabarit-prompt paramétré réutilisable, fichier de fiches produit générées en lot au format réimportable, protocole de contrôle par échantillon documenté et checklist de cohérence de gamme.
Un prompt structuré qui sépare ce qui reste fixe d'une fiche produit à l'autre, l'ordre des blocs et le ton, de ce qui varie selon le produit, chaque variable étant associée à une colonne précise de ton fichier de données. Contrairement à un gabarit de document à remplir toi-même, il est conçu pour être exécuté sur plusieurs lignes d'un fichier en une seule fois.
Vérifier une sélection représentative de fiches générées en lot contre leur source de données avant de valider le lot complet, plutôt que de relire chaque fiche une par une. Une hallucination détectée sur l'échantillon se corrige dans le gabarit avant qu'elle ne se répète sur tout le catalogue.
Le fait que toutes les fiches produit d'une même gamme partagent le même vocabulaire, la même longueur et le même niveau de détail, sans qu'une référence paraisse traitée différemment des autres. Une génération en lot peut dériver sur ce point même quand chaque fiche prise seule semble correcte.
Pour transformer une fiche produit réussie en gabarit-prompt et générer un catalogue de fiches produit en lot en 35 minutes, ce workflow e-commerce combine Claude et ChatGPT en 4 étapes. Claude isole d'abord la structure fixe et les variables d'une fiche modèle pour construire un gabarit-prompt paramétré par les colonnes du fichier de données produit. ChatGPT génère ensuite un échantillon de test à partir de ce gabarit, que Claude analyse pour détecter les écarts de cohérence de gamme avant correction. ChatGPT lance enfin le lot complet et l'exporte en tableau réimportable dans la boutique en ligne. Le protocole impose un contrôle par échantillon avant et après le lot complet, pour que trente fiches produit restent aussi fiables qu'une seule, sans relecture intégrale ligne par ligne.
La bibliothèque complète de prompts pour ton métier, filtrables par tâche et niveau.
Voir les prompts → Hub métier Hub E-commerceTous les tutos, prompts, outils et ressources pour ton profil professionnel.
Accéder au hub →