Mass Translate avec ChatGPT dans Magento 2 : traductions, SEO, modération de contenu et maillage interne

1 juin 2026 Kowal

Un contenu pratique sur la manière d’utiliser Mass Translate avec ChatGPT dans Magento 2 pour les traductions, le SEO, les structures JSON, la terminologie technique et l’organisation du maillage interne entre store views

Mass Translate avec ChatGPT pour Magento 2 s’associe le plus facilement à une seule tâche : la traduction des descriptions de produits et de catégories vers d’autres store views. C’est une association juste, mais trop restrictive. En pratique, ce module devient réellement précieux seulement lorsqu’on ne le considère pas comme un simple traducteur, mais comme une couche de traitement en série du contenu dans Magento.

Dans cette approche, le même mécanisme peut gérer non seulement la localisation du catalogue, mais aussi :

le remplissage des métadonnées manquantes,
la mise en ordre des champs SEO,
la modération et la normalisation du contenu,
le traitement des descriptions produits selon des règles strictes,
la traduction de contenus techniques spécialisés,
les opérations éditoriales sur les articles de blog,
le remplacement des liens internes après la traduction du contenu.

C’est exactement ce que montrent les prompts utilisés dans les boutiques GERDA, VITCAS et Kowal. Leur point commun est simple : le plus important n’est pas l’intégration avec le modèle en elle-même, mais la précision avec laquelle nous définissons la tâche, le format des données et les limites d’action de l’IA.

Pourquoi Mass Translate dans Magento 2 ne doit pas être traité comme un traducteur classique

Dans de nombreuses boutiques, le problème n’est plus simplement qu’il faut traduire le contenu. Le problème est qu’il faut le traiter selon une logique métier précise :

remplir uniquement les champs vides,
ne pas toucher aux données existantes,
préserver le HTML et les placeholders,
ne pas ajouter de nouvelles informations,
maintenir la cohérence terminologique,
distinguer les champs techniques des champs visibles par l’utilisateur,
exécuter la tâche de façon massive et prévisible.

C’est à ce moment que le module Mass Translate avec ChatGPT devient un outil de gestion de contenu, et non uniquement de traduction. Le prompt cesse d’être un ajout. Il devient la véritable logique du processus.

Les versions complètes des prompts peuvent être très développées, mais même de courts extraits montrent bien le niveau de contrôle possible.

GERDA : compléter Meta Title et Meta Description sans modifier le contenu produit

Le prompt utilisé pour GERDA ne sert pas à traduire. Sa mission est plus étroite et donc très pratique : compléter les champs manquants Meta Title et Meta Description, nettoyer Meta Keywords, sans toucher au reste de l’enregistrement.

C’est un bon exemple d’opération de modération sur les données produit. Le modèle ne doit pas être créatif. Il doit être discipliné et agir uniquement dans les limites des données d’entrée.

Extrait de prompt :

1. Uzupełnij `Meta Title` tylko wtedy, gdy jest puste, brakujące lub zawiera wartość null.2. Uzupełnij `Meta Description` tylko wtedy, gdy jest puste, brakujące lub zawiera wartość null.3. Wyczyść pole `Meta Keywords`: - zawsze ustaw je jako pusty ciąg znaków ''4. Nie dodawaj żadnych informacji, cech, parametrów, obietnic ani danych technicznych, których nie ma w danych wejściowych.

En pratique, un tel prompt accomplit trois choses importantes à la fois :

il veille à la qualité SEO,
il ne réécrit pas tout le catalogue,
il maintient un workflow JSONL sûr et industrialisé.

Pour les boutiques ayant un grand nombre d’enregistrements, cela peut être plus important que la simple traduction vers une langue supplémentaire. Il faut d’abord structurer les données, puis seulement ensuite les localiser.

Kowal : traduction, localisation et enrichissement contrôlé du contenu

Le prompt préparé pour Kowal montre le deuxième versant des usages. Ici, l’objectif n’est pas seulement de changer de langue, mais de créer une couche unique pour :

la traduction,
la localisation,
et, si nécessaire, un enrichissement contrôlé du contenu.

C’est important, car dans les contenus technologiques, la seule correction linguistique ne suffit pas. Il faut encore préserver la couche technique. Si le modèle commence à traduire les URL, les variables, les noms de classes, les endpoints API ou des fragments de configuration, le résultat devient vite inutilisable.

Extrait de prompt :

1. Zachowaj wszystkie tagi HTML bez zmian.2. Tłumacz tylko tekst widoczny dla użytkownika.3. Nie zmieniaj adresów URL, placeholderów, nazw plików, ścieżek, komend, klas, metod, funkcji ani endpointów API.4. Jeśli tekst wymaga rozbudowy, rozwijaj go wyłącznie na podstawie informacji obecnych w tekście źródłowym.

C’est précisément le point où une instruction classique du type traduire le texte cesse d’être suffisante. Dans Magento, il faut distinguer très clairement :

ce qui relève du contenu destiné à l’utilisateur,
ce qui relève de la structure système,
ce qui peut être localisé,
ce que le modèle n’a pas le droit de modifier.

VITCAS : des traductions techniques spécialisées au lieu d’une traduction littérale

VITCAS montre un troisième niveau de flexibilité : la traduction de contenus produits spécialisés, pour lesquels une compréhension générale de la langue ne suffit pas.

Le prompt produit pour VITCAS est construit autour d’un problème très précis : l’anglais britannique du secteur des matériaux réfractaires, des cheminées, des poêles, de la fonderie et de l’isolation ne peut pas être traduit littéralement. Le modèle doit d’abord comprendre correctement le terme dans son contexte métier, puis seulement choisir l’équivalent de marché approprié pour le pays cible.

Extrait de prompt :

- “stove” usually refers to a heating stove, wood-burning stove, fireplace stove, room heater, or biomass heating appliance, not a kitchen cooker or oven- “fire cement” refers to a refractory sealing, jointing, setting, or repair compound, not structural construction cement- “board” does not automatically mean gypsum board- Always interpret ambiguous terms according to the refractory, fireplace, chimney, furnace, kiln, foundry, insulation, outdoor cooking, and high-temperature materials context

On n’est plus ici dans une simple traduction de texte. Il s’agit d’orienter l’interprétation terminologique. C’est précisément là qu’on voit que le module Mass Translate avec ChatGPT peut être utilisé là où une modération métier du sens et un contrôle du vocabulaire sont nécessaires sur plusieurs marchés.

VITCAS : traduction d’articles de blog enregistrés en JSON

Un autre prompt pour VITCAS concerne les articles de blog du module Amasty Blog. Ici, la tâche diffère encore d’une traduction classique de description produit, car le modèle travaille sur une structure de données, et non uniquement sur un champ description.

Extrait de prompt :

1. Zwracaj wyłącznie poprawny JSON.2. Zachowaj dokładnie te same klucze JSON.3. Tłumacz wyłącznie wartości tekstowe przeznaczone dla użytkownika.4. Nie tłumacz pól technicznych, identyfikatorów, URL-i, slugów i konfiguracji.5. Zachowaj wszystkie tagi HTML bez zmian.

C’est essentiel, car dans Magento, de nombreuses données éditoriales vivent dans des JSON, des modules de blog, des blocs CMS et d’autres structures qui ne peuvent pas être traitées en toute sécurité avec un prompt trop général. Si le modèle ne reçoit pas de règles claires, il peut facilement altérer des champs techniques ou casser la structure des données.

D’où vient `llms.txt` et quel est le rôle du module AI Feed

Le cas le plus intéressant commence là où la traduction est déjà effectuée, mais où le contenu nécessite encore un travail éditorial. Un bon exemple est le remplacement des liens internes après la traduction des articles.

Pour qu’une telle opération soit sûre, le modèle ne doit pas deviner les URL. Il doit disposer d’une source de vérité. C’est précisément là que llms.txt entre en jeu.

Les fichiers llms.txt n’apparaissent pas par hasard. Ils sont le résultat du fonctionnement d’une couche de flux AI, c’est-à-dire d’un module de type Kowal AI Product Feed pour OpenAI Vector Store. Un tel module prépare des données structurées de la boutique, accessibles publiquement, pour les systèmes d’IA :

listes de produits,
catégories,
FAQ,
contenus CMS et articles de blog,
URL propres à un store view donné,
ainsi qu’un manifeste llms.txt qui indique où ces données sont disponibles.

En pratique, llms.txt fonctionne comme un point d’entrée pour les modèles et les agents IA. Au lieu d’explorer le site à l’aveugle, ils peuvent lire où se trouvent les flux appropriés et quels enregistrements décrivent les produits, les catégories ou les articles dans une langue donnée. C’est exactement le type d’infrastructure qui permet d’exécuter des tâches éditoriales plus complexes sans approximations.

VITCAS : remplacement des liens après traduction des articles grâce à `llms.txt`

Le prompt préparé pour VITCAS montre que Mass Translate avec ChatGPT peut aussi fonctionner comme un outil d’organisation du contenu déjà traduit.

Dans ce cas, la tâche consiste à :

identifier la langue cible de l’article,
analyser les liens internes conservés depuis la version EN,
lire les bonnes données dans la version appropriée de llms.txt,
remplacer uniquement href,
laisser le texte d’ancre et toute la structure de l’article inchangés,
ne pas deviner les adresses s’il n’est pas possible de confirmer un équivalent dans le flux.

Extrait de prompt :

1. Zmieniaj wyłącznie linki wewnętrzne prowadzące do domen sklepu VITCAS.2. Jeśli nie znajdziesz jednoznacznego odpowiednika w feedzie: - pozostaw oryginalny URL bez zmian, - nie zgaduj, - nie twórz nowego adresu ręcznie.3. Zmieniaj wyłącznie wartości `href` w linkach , jeśli wymagają podmiany.

C’est un exemple très fort, car il montre un aspect souvent négligé dans les discussions sur l’IA dans Magento : le modèle peut effectuer des tâches de maintenance éditoriale en série sur le contenu, et pas seulement créer de nouvelles descriptions. Dans une boutique multilingue, une telle opération a une vraie valeur, car après la traduction du contenu, il faut encore remettre en ordre le maillage interne entre les store views.