Cet article a été traduit automatiquement par IA et peut contenir des erreurs.
Depuis 20 ans, l'e-commerce est façonné par des algorithmes.
Algorithmes de recherche. Algorithmes de recommandation. Algorithmes publicitaires. Ce sont eux qui décident quels produits apparaissent en premier, quelles marques sont découvertes et quelles offres ont le plus de chances de convertir. Chacun d'entre eux se cache derrière la même interface de base : une barre de recherche, un ensemble de filtres et une page de résultats classés.
On nous annonce aujourd'hui que les agents IA vont transformer le shopping. Ce qui soulève une question évidente :
Un agent est-il vraiment si différent d'un algorithme ?
La question est légitime. Les deux se placent entre l'acheteur et un catalogue. Les deux font des choix au nom de l'acheteur. Et tous deux ne valent que ce qu'ils savent des produits parmi lesquels ils choisissent. Si chaque évolution du commerce finit par se résumer à l'endroit où se déplace l'attention de l'acheteur (opens in a new tab), celle-ci mérite un regard plus approfondi que ce que l'engouement médiatique permet habituellement.
Mais la différence compte, et elle se situe dans l'endroit où se fait la réflexion. Que peut faire un agent propulsé à l'IA qu'une recherche et un filtrage traditionnels ne peuvent pas faire ?
Classer n'est pas raisonner
Voici comment fonctionne la découverte sur un site de recherche et de filtrage traditionnel :
100 000 produits → algorithme de recherche → 100 résultats → l'humain en examine 10 → en retient 3 → en achète 1
L'algorithme de recherche classe l'ensemble du catalogue. C'est l'humain qui fait le plus gros du raisonnement.
Le commerce assisté par agent déplace ce travail :
100 000 produits → l'agent transforme la demande en plusieurs requêtes → recherche dans les données produits, les avis et les sources web → reclasse selon le contexte de l'acheteur → présente 3 choix avec justification → l'humain valide et en achète 1
Prenons un achat simple : un téléviseur 65 pouces à moins de 1 000 $. La recherche du site classe très bien les produits selon le prix, les notes, la marque et les caractéristiques techniques. Quatre filtres et un ordre de tri suffisent. Un agent n'apporte rien qu'un bon jeu de filtres ne gère déjà.
Prenons maintenant une demande différente :
« J'ai besoin d'une poussette pour deux enfants qui rentre dans mon coffre, qui fonctionne sur les pavés, qui peut être portée sur trois étages et qui est assez compacte pour les trains européens. »
Aucun retailer n'a jamais conçu de filtre pour cela. Tapez-le dans une barre de recherche et vous obtiendrez des résultats pour « poussette ».
Un agent propulsé à l'IA peut interpréter l'objectif, raisonner sur plusieurs attributs à la fois et faire des compromis au nom de l'acheteur. Ce n'est pas un comportement hypothétique qui attend un futur modèle. Les acheteurs utilisent déjà l'IA de cette façon : en Europe, 63 % des consommateurs utilisent désormais l'IA pour comparer les marques, les modèles, les prix et les avis (opens in a new tab), et 55 % l'utilisent pour se renseigner sur une catégorie avant d'acheter. Comparer et évaluer sont des tâches de raisonnement. Les consommateurs les ont déjà déléguées — et ils le font avant même d'atteindre la barre de recherche d'un retailer.
Quand la meilleure réponse n'est pas le produit demandé
Et à terme, les agents iront plus loin.
Prenons le fameux coup 37 (opens in a new tab) d'AlphaGo contre Lee Sedol. En 2016, l'IA de DeepMind a disputé un match en cinq parties contre le meilleur joueur de go au monde, un jeu de plateau qui compte plus de positions légales que d'atomes dans l'univers observable. Au 37e coup de la deuxième partie, AlphaGo a posé une pierre qu'aucun professionnel n'aurait jouée — les commentateurs y ont d'abord vu une erreur, avant qu'elle ne mène à la victoire.
Les meilleurs joueurs de go ont d'abord eu du mal à comprendre ce coup, tant il sortait des sentiers battus du jeu humain.
AlphaGo n'essayait pas de reproduire la façon de jouer des humains. Il optimisait pour le résultat : gagner.
Les agents de shopping les plus intéressants feront de même. Vous demandez le meilleur climatiseur pour votre chambre.
Un bon agent pourrait conclure que vous ne devriez pas acheter de climatiseur du tout. Un store, une VMC double flux ou un déshumidificateur résoudrait peut-être mieux le problème de fond.
Les algorithmes de recherche optimisent la sélection au sein de la catégorie que vous avez nommée. Les agents peuvent de plus en plus optimiser les résultats, catégorie incluse.
C'est un changement significatif pour toute entreprise dont le modèle commercial suppose que l'acheteur arrive déjà engagé sur une catégorie.
Un coup 37 exige un régime de données différent pour l'e-commerce
Mais un agent ne peut pas suggérer une solution alternative — ni savoir qu'une poussette peine sur les pavés — s'il ne lit que les spécifications standard du catalogue.
Ni l'un ni l'autre ne peut raisonner sur une information qu'il n'a pas.
Ainsi, tandis que l'expérience d'achat passe des filtres et des classements aux conversations et au raisonnement, l'exigence sous-jacente reste remarquablement constante :
« Des données produits propres et riches — structurées et non structurées. »
Le catalogue structuré indique ce qu'est un produit : ses dimensions, ses matériaux, ses caractéristiques techniques, sa compatibilité et son prix.
Le contenu généré par les utilisateurs (UGC) indique ce qu'est réellement l'usage du produit : si la poussette est difficile sur les pavés, si le canapé tache facilement, si la perceuse peine sur la maçonnerie ou si une robe taille petit.
Les algorithmes de recherche et de recommandation se sont historiquement beaucoup appuyés sur le premier, en utilisant l'UGC surtout comme des signaux tels que les notes, le nombre d'avis et le sentiment général.
Les agents peuvent raisonner sur les deux. Et ils le font déjà. Une étude de la Columbia Business School et de Yale a montré que les agents d'achat IA privilégient systématiquement les produits ayant à la fois de bonnes notes et un volume élevé d'avis (opens in a new tab) — tout en écartant les mentions sponsorisées. Les avis ne sont plus une simple preuve sociale reléguée en bas de page. Ils sont une preuve que l'agent utilise pour justifier une recommandation. Cette portée dépasse les données propres au retailer. Dans un instantané de juillet 2026 portant sur environ 3,3 millions de citations dans ChatGPT Shopping, Profound a constaté que Reddit représentait environ un tiers des citations — un rappel que les preuves autour d'un produit peuvent exister dans des conversations tierces, pas seulement sur la page produit.
Cela change ce que vous coûte un corpus d'avis trop mince. Ce n'est plus seulement un problème de conversion sur votre page produit. C'est une raison pour laquelle votre produit n'est même pas présélectionné.
La définition des données produits s'élargit
Voici la partie inconfortable pour la plupart des catalogues.
Adobe a constaté que les pages produits individuelles des sites retail américains obtiennent en moyenne 66 % de visibilité pour le contenu IA (opens in a new tab) — ce qui signifie qu'environ un tiers du contenu d'une page produit type ne peut pas être lu par les modèles qui l'évaluent. L'information existe. Elle est sur la page. Elle n'atteint simplement pas le système qui formule la recommandation.
Cet écart est le véritable travail du commerce agentique, et il est moins glamour que la conversation sur l'interface. De meilleures données produits améliorent les décisions, pour les personnes comme pour les agents. Ce qui a changé, c'est la norme technique : un contenu qui a pu aider une page à bien se classer — même chargé de mots-clés ou piégé dans du JavaScript — peut ne pas être suffisamment structuré ou lisible par une machine pour qu'un agent puisse le récupérer, le comparer et raisonner à partir de lui.
L'algorithme a besoin de données produits pour classer.
L'agent a besoin de données produits — et de l'expérience collective des clients — pour raisonner.
L'interface du commerce change. Le socle reste les données produits — mais leur définition couvre désormais le contenu catalogue lisible par les machines, les avis clients et autres UGC, la réputation de marque, et les faits opérationnels qui rendent une recommandation actionnable : prix, disponibilité et promesse de livraison.
La question à ramener à votre équipe n'est donc pas de savoir si vous êtes prêt pour les agents. C'est plus simple que ça : votre catalogue peut-il répondre à une question pour laquelle aucun filtre de recherche n'a jamais été conçu ?
Si vous ne pouvez pas encore répondre à cette question, c'est là que le travail commence — et c'est le travail que les entreprises e-commerce les plus avancées ont déjà entamé (opens in a new tab).
