« Est-ce que je couvre toutes les questions que mes clients posent aux IA ? »

Une réponse prête-à-citer (fanout snippet) est un texte court de 50-80 mots qui répond directement à une question typique posée par les internautes dans votre secteur — par exemple, pour un chocolatier lyonnais, la question pourrait être « où acheter des chocolats artisanaux dans le 7e arrondissement de Lyon ? » et la réponse votre snippet structuré nommant votre adresse, vos horaires, votre spécialité. Ces snippets sont publiés dans votre fichier `/m/{ab_id}/llms.txt` (norme Anthropic 2024) et exposés via `/api/merchants/{ab_id}/clusters` (format MCP). Quand ChatGPT, Claude ou Perplexity formulent leur réponse à un internaute, ils piochent dans ces snippets pré-validés au lieu d'inventer — résultat : citation factuelle, sans hallucination, avec votre voix de marque.

RAGAS (Retrieval-Augmented Generation Assessment) est un framework open-source d'évaluation de qualité pour le contenu généré par IA, publié en 2023 et adopté par Anthropic, Mistral et l'industrie LLM en 2024. ActionsBricks applique RAGAS sur chaque snippet généré et calcule trois scores : faithfulness (le snippet est-il fidèle aux sources INSEE/INPI/GMB du merchant ?), answer relevance (répond-il vraiment à l'intent ?), context precision (le contexte fourni au LLM était-il pertinent ?). Un snippet doit dépasser un seuil agrégé (`below_readiness_threshold=false`) pour être publié automatiquement — sinon il atterrit en file HITL pour validation humaine. Vous voyez votre quality score moyen dans le dashboard via `<QualityScoreCard>`.

L'IA peut générer 95% des snippets qui passeront RAGAS sans intervention. Mais pour les 5% restants — ceux où le LLM a halluciné un détail, mal compris une nuance sectorielle, ou produit une formulation qui sort de votre voix de marque — le merchant doit pouvoir intervenir. La file HITL vous montre uniquement ces snippets borderline avec le score et la raison du flag. Vous choisissez : Approuver tel quel / Modifier rapidement / Rejeter. Chaque décision est tracée dans `proposed_edits` avec votre user_id et un timestamp — preuve d'auditabilité auprès du régulateur (IA Act 2026). Le dashboard estime le temps moyen à 30 secondes par snippet — soit 10-15 min/semaine pour un commerce moyen.

ActionsBricks lit vos sources existantes : votre fiche Google My Business (description, posts), votre site web s'il existe (audit Core Web Vitals + extraction texte), vos réseaux sociaux liés via `social_links[]`. Ensuite, le scorer `voice-extractor.ts` extrait les adjectifs caractéristiques qui reviennent — par exemple, pour un chocolatier ce pourrait être : « artisanal », « familial », « traditionnel », « bio », « sans gluten ». Ces adjectifs (stockés dans `merchant_voice_observations`) deviennent les contraintes de génération pour vos snippets fanout : chaque nouveau snippet doit honorer la voix existante. Vous voyez « comment l'IA décrit votre marque » dans `/dashboard/reponses/voix` et pouvez ajuster manuellement.

Oui — mais elle doit être très solide. Le MVP plafonne à 5 fiches par merchant, mais beaucoup de pionniers démarrent avec 1 seule fiche (le produit phare) et ajoutent les autres au fur et à mesure. Une fiche unique mais à 95/100 de solidité avec 30 snippets validés couvrant tous les intents critiques de votre secteur génère plus de citations qu'une dispersion de 5 fiches faibles. Le dashboard `<BrickStrengthChecklist>` vous dit exactement quels compléments apporter à votre fiche avant de songer à en ajouter une seconde. Stratégie recommandée : 1 fiche solide + 20 snippets validés > 5 fiches moyennes + 100 snippets non validés.

Le Funnel Coverage est le pourcentage des intents sectoriels critiques pour lesquels vous avez au moins un snippet validé publié. Pour les Chocolatiers en France, ActionsBricks identifie ~47 intents critiques (« où acheter », « horaires », « livraison », « prix », « bio », « événementiel », etc.). Si vous avez des snippets validés pour 35 d'entre eux, votre coverage est 35/47 ≈ 74%. Pour augmenter le score : (1) ouvrir `/dashboard/reponses/gaps` pour voir les trous, (2) chaque ligne propose un snippet draft généré par l'IA, (3) vous validez en 1 clic ou éditez. À 100% de coverage sur les intents critiques, votre Trust Score monte significativement et vous franchissez le palier 70 (publication marketplace).

Trois surfaces de publication : (1) `/m/{ab_id}/llms.txt` — fichier texte structuré au format Anthropic 2024, lu par les crawlers d'entraînement LLM (anthropic-ai, GPTBot, Common Crawl). (2) `/api/merchants/{ab_id}/clusters?scope=brick` — endpoint API HATEOAS qui sert les clusters thématiques pour les agents conversationnels (MCP, ACP). (3) Microsite ISR `/m/{ab_id}/[brick]` — page HTML avec JSON-LD `Question`/`Answer` pour Google Featured Snippets. Tous ces endpoints sont publics, sans authentification — ce qui est exactement le but : un agent IA doit pouvoir vous lire sans frottement. Côté merchant, vous voyez quels snippets sont publiés dans `/dashboard/reponses` avec leur cite_url ciblée.

Pour un commerce avec preset NAF complet (ex : Chocolatier code 47.24Z), la génération initiale couvre environ 60-70% des intents critiques en 24-48h après l'inscription — c'est le « cycle AEO seed » qui se déclenche post-onboarding. Les 30-40% restants requièrent du contenu spécifique au merchant (témoignages clients, particularités, événements) que l'IA ne peut pas inventer sans risque d'hallucination. Le merchant complète progressivement via `/dashboard/reponses/gaps` — le bon rythme est ~20 min/semaine pour atteindre 95%+ de coverage en 4-6 semaines. Le cycle AEO hebdomadaire repère ensuite les nouveaux intents qui émergent (saisonnalité, actualité sectorielle) et propose des snippets draft à valider.