"Comment ChatGPT recommande des restaurants ?" est devenu opérationnel en 2026. Les clients demandent à un chatbot un restaurant pour vendredi soir et obtiennent une liste réelle. Si vous n'y êtes pas, vous perdez des clients sans le savoir.
Sources des LLM
Deux canaux : scraping d'entraînement (Common Crawl, blogs publics) et récupération web en temps réel (Bing/Google live).
Pourquoi schema.org
Une page avec schema.org/Restaurant est lue 3-5× plus précisément. Champs : name, address, telephone, servesCuisine, priceRange, openingHoursSpecification, hasMenu, aggregateRating.
Étapes pratiques
1. JSON-LD dans <head> (thMenu le génère).
2. Profil d'établissement Google complet.
3. Menu en HTML/markdown, jamais PDF.
4. Avis via aggregateRating.
Erreurs courantes
Menus rendus uniquement côté client : invisibles. SSR obligatoire. Robots.txt : autoriser GPTBot, PerplexityBot, ClaudeBot.
Une nouvelle ère SEO
Google n'est plus seul. Les LLM devraient gérer 35%+ des requêtes voyage/restauration. Test mensuel : ChatGPT sait-il bien vous décrire ?
Cet article vous a été utile ? Partagez-le.
Articles connexes
QR statique ou QR dynamique : coût total sur 3 ans comparé
Un bistrot 24 tables détaille 36 mois de coûts : 21 000 TRY de réimpressions vs …
Omotenashi et QR : l'hospitalité japonaise sans perdre l'humain
Pourquoi le Sukiyabashi Jiro de Tokyo refuse les menus QR tandis que 68% des iza…
Aperçu AR des plats via WebXR : 3D dans le navigateur sans app
Comment Dishoom Soho a atteint +22% sur le panier moyen grâce à model-viewer. Op…