Cet article a été traduit automatiquement par IA et peut contenir des erreurs.
Une récente étude du Boston Consulting Group (BCG) révèle que 96 % des retailers explorent l'IA (opens in a new tab). Mais cette « exploration » se limite souvent à des pilotes de chatbots, des preuves de concept et des projets qui ne voient jamais le jour.
À mesure que le commerce agentique progresse, une question urgente se pose : à quelle vitesse les retailers peuvent-ils transformer l'expérimentation en agents opérationnels en production ? Ceux qui restent en mode pilote risquent de prendre du retard sur les entreprises qui ont déjà amorcé cette transition.
Pour les leaders du commerce, cette transition touche l'ensemble de l'expérience d'achat : de la façon dont les agents trouvent les produits sur les marketplaces à l'exactitude des prix et des stocks au moment où les agents sont prêts à acheter.
En juin dernier, lors du Summit annuel de Mirakl à New York (opens in a new tab), James Williams, Head of AI and Insights chez Mirakl, s'est entretenu avec des dirigeants d'OpenAI, de BCG et de J.P. Morgan pour explorer l'impact actuel de l'IA sur la découverte produit, les données marketplace, les paiements et le support post-achat.
Commerce et IA : pourquoi le rythme du changement est différent cette fois-ci
Le commerce a déjà connu les virages de l'e-commerce puis du commerce mobile. Vient maintenant le commerce propulsé à l'IA générative, qui évolue plus vite que tout ce qui l'a précédé.
Cette rapidité change la façon dont les entreprises déploient la technologie. Comme l'explique Tanmay Jain, Partner chez BCG : « Les leaders se demandent : comment créer de la valeur rapidement ? Comment lancer une preuve de concept en quatre à six semaines ? La technologie est là, aujourd'hui. »
Cela laisse aux retailers et aux opérateurs de marketplace une question pressante : quel rôle vont-ils jouer alors que l'IA transforme la façon dont les consommateurs découvrent et achètent les produits, et où vont-ils créer de la valeur ?
Lindsey Cenzano, Head of Go-to-Market chez OpenAI, souligne la rapidité avec laquelle le rôle des agents s'élargit : « Aujourd'hui, les agents sont capables de mener des processus en plusieurs étapes et d'agir en notre nom. »
Les agents ne se limitent plus à répondre à des questions : ils aident désormais les acheteurs à comparer des produits, formulent des recommandations et finalisent des achats. Même si les agents ne réalisent pas encore de transactions autonomes à grande échelle, les retailers peuvent dès maintenant préparer leurs données et leurs systèmes.
Pourquoi la plupart des marques (96 %) sont encore en phase d'« exploration »
Les retailers expérimentent des pilotes de chatbots, des déploiements de Microsoft Copilot et des preuves de concept. Mais bien peu ont dépassé la phase de test pour déployer l'IA dans l'ensemble de leur activité. Selon BCG, une véritable préparation des entreprises repose sur les fondations suivantes :
- Des données riches, bien structurées et lisibles par les machines
- Des expériences d'agents propriétaires sur votre propre site
- Des systèmes d'IA capables de prendre en charge rapidement de nouveaux agents à mesure que leur usage se développe
Pour les leaders des marketplaces, poser ces fondations signifie fournir aux agents des données produits, prix et stocks précises et structurées, sur des centaines voire des milliers de vendeurs.
Cependant, le passage du pilote IA à la production peut révéler des problèmes. Selon Cenzano, la performance peut chuter dès qu'un outil d'IA est confronté à de vrais utilisateurs, ce qui oblige les équipes à revoir leurs évaluations, à intégrer les retours et à continuer de s'améliorer.
« Nous ne voulons pas que les équipes baissent les bras en se disant que ça n'a pas fonctionné, et passent à autre chose », explique Cenzano.
Malgré ces défis, un nombre croissant d'agents IA passent en production.
« Je ne dirais pas que quelqu'un a totalement résolu le problème », affirme Jain. « Mais au cours des six à douze derniers mois, le nombre d'agents déployés à grande échelle et générant du revenu a augmenté de manière significative. »
Un retailer de la beauté accompagné par BCG a constaté une hausse de 60 % du taux de conversion chez les clients ayant utilisé son agent sur site. Un autre retailer a amélioré de 25 % sa part de trafic généré par les grands modèles de langage (LLM) après un projet de generative engine optimization (GEO) de quatre semaines.
La règle 10/20/70 : l'IA est un enjeu humain et organisationnel, pas un enjeu de modèle
Tout le monde a accès aux mêmes modèles d'IA fondamentaux. Alors pourquoi les résultats sont-ils si différents ? Selon Jain, la différence ne vient presque jamais du modèle lui-même. La règle 10/20/70 de BCG l'explique.
- 10 % de la valeur de l'IA provient des agents
- 20 % provient de la technologie et des données
- 70 % provient du modèle opérationnel, de l'infrastructure et de la gestion du changement qui les entourent
La plupart des entreprises se concentrent sur ces premiers 30 %. La plus grande opportunité se trouve dans les 70 % restants, plus exigeants, qui impliquent de repenser les processus, de transformer la façon de travailler des équipes et de préparer l'organisation à déployer l'IA à grande échelle.
Alors, que font différemment les leaders de l'IA ?
Faire de l'IA un sujet de direction générale, pas un sujet technologique : dans les entreprises qui avancent le plus vite, la direction traite l'IA comme un enjeu business, piloté par le comité exécutif avec des attentes claires en matière de résultats.
Prioriser une valeur business tangible : les leaders du commerce concentrent leurs efforts sur les domaines où l'IA peut augmenter les conversions, accélérer l'onboarding des vendeurs, améliorer la découverte produit et réduire le travail manuel de gestion des catalogues marketplace.
Repenser le processus plutôt qu'ajouter de l'IA à un processus défaillant : une question fréquente chez les retailers est : où un agent peut-il rendre ce processus plus efficace ? Une meilleure question est : si nous partions d'une page blanche, à quoi ressemblerait ce processus ? Que devrait faire l'humain ? Que devrait faire l'agent ? Pour les marketplaces, cela peut signifier repenser la façon dont les catalogues vendeurs sont importés et mis à jour, plutôt que de simplement ajouter de l'IA à chaque étape d'un processus existant.
GEO : du référencement à la recommandation
Le generative engine optimization, ou GEO, est devenu une priorité immédiate dans le commerce agentique. Les retailers et opérateurs de marketplace, qui se concentraient autrefois sur le positionnement de leurs pages produits dans les résultats de recherche, doivent désormais faire apparaître leurs produits dans les recommandations de ChatGPT, Perplexity et autres LLM. La réussite du GEO dépend aussi des données produits des vendeurs. Des attributs manquants, des catégories incohérentes et des descriptions vagues rendent les produits plus difficiles à comprendre et à recommander pour les agents.
Obtenir des recommandations dans les LLM tiers
Le framework GEO de BCG repose sur trois fondations.
Un contenu riche : ajoutez du contexte, pas seulement des spécifications. Intégrez des attributs liés à l'usage, des FAQ détaillées et du contenu éditorial qui aident les agents à faire correspondre les produits aux besoins spécifiques des utilisateurs (opens in a new tab).
Des données structurées : facilitez la lecture des informations produits par les agents grâce à un balisage schema et du contenu lisible par les machines (opens in a new tab). Certains retailers créent aussi des pages pensées pour l'IA, avec moins d'éléments visuels superflus.
Être présent là où les agents regardent : identifiez les sources qui influencent les recommandations dans votre catégorie de produits et construisez-y une présence crédible.
Concevoir des agents que les acheteurs ont envie d'utiliser
Un widget de chat sur le site d'un retailer n'améliore pas automatiquement l'expérience d'achat. Les agents qui réussissent à grande échelle combinent une production utile avec des données propriétaires de première main en entrée.
Côté production, cela signifie concevoir un parcours client de bout en bout, visuel et interactif — pas seulement une conversation dans une fenêtre de texte.
Côté données, les retailers peuvent s'appuyer sur leurs données commerciales propriétaires de première main pour créer des expériences ancrées dans la façon dont les clients achètent réellement vos produits.
Mettez vos flux en ordre — dès maintenant
Cenzano explique que ChatGPT s'est d'abord largement appuyé sur le crawl du web pour obtenir des informations commerciales. Mais cela change.
« Nous basculons vers les flux », affirme-t-elle. « Les flux sont simplement plus fiables, plus crédibles et plus à jour. »
Pour les marketplaces, maintenir des flux à jour exige des données produits, prix et stocks précises pour des assortiments vendeurs en constante évolution.
Si l'ensemble de ces données produits n'est pas structuré et prêt pour l'IA (opens in a new tab), les agents auront plus de mal à trouver et à recommander vos produits.
Paiements : instaurer la confiance dans les transactions agentiques
Lorsque les agents passent de la découverte à la transaction, le parcours d'achat peut basculer de la recherche, de la navigation et du paiement vers l'intention du consommateur, l'action de l'agent et la transaction.
Mais moins d'étapes signifie aussi que les retailers et les prestataires de paiement ont besoin de nouveaux moyens pour vérifier ce qui s'est passé. Ils devront savoir quel agent a agi, ce que le consommateur avait l'intention d'acheter et si l'achat correspond bien à cette intention. Les marketplaces ajoutent une couche supplémentaire, car les retailers doivent aussi savoir quel vendeur a exécuté chaque commande et faire remonter cette information tout au long des paiements, des retours et du support client.
Cela commence par l'identification de l'agent. Les systèmes de paiement conçus pour bloquer les bots doivent désormais distinguer les agents de confiance des agents malveillants, tout en autorisant les transactions légitimes.
Prashant Sharma, Executive Director chez J.P. Morgan Payments, résume la situation : « Si vous ne pouvez pas gouverner cette activité [celle des agents IA], vous ne pouvez pas la faire évoluer à grande échelle. »
Et la gouvernance exige de conserver des historiques de transactions et des pistes d'audit qui retracent ce qui s'est passé tout au long d'un achat, y compris lorsque quelque chose ne fonctionne pas.
« Vous ne pouvez pas vous concentrer sur un seul élément de la transaction globale », affirme Sharma. « Au-delà de la découverte, ce sont les paiements et l'expérience post-achat qui deviennent vraiment critiques. »
Trois actions à mener dès maintenant pour le commerce agentique
Suivez la façon dont vos produits apparaissent dans les recommandations de l'IA
BCG recommande des outils comme Profound et Athena pour suivre les types de prompts utilisés par les acheteurs dans votre catégorie, quels produits apparaissent, quels concurrents sont recommandés par les agents, et si les informations produits mises en avant par les agents sont exactes.
Mettez un agent commerce à forte valeur en production en 90 jours
Choisissez un cas d'usage où un agent peut générer un résultat commercial mesurable, comme une hausse des conversions, et fixez un objectif de mise en production à 90 jours.
BCG estime que le commerce agent-à-agent émergera d'abord dans les catégories où les clients font des recherches sur les produits mais où l'achat reste simple. Les vélos et autres produits spécialisés correspondent à ce profil. L'alimentaire, où une seule commande peut inclure des dizaines de produits, prendra probablement plus de temps.
Utilisez des agents en interne dès maintenant
« Je veux que chacun dans cette salle retourne au travail demain et utilise l'IA dans chaque partie de son workflow », suggère Cenzano. « Mais ne vous contentez pas de rester dans ChatGPT. Passez à des expériences agentiques comme Codex. »
Mettre les agents au travail sur de vraies tâches aide les équipes à identifier où ils performent bien et où ils ont besoin d'un encadrement humain. Pour les équipes merchandising, marketplace, catalogue et opérations, utiliser des agents au quotidien donne l'expérience nécessaire pour décider quelles tâches les agents IA peuvent gérer de façon autonome.
Des pilotes IA aux résultats du commerce agentique
Le commerce agentique est encore en construction, ce qui donne aux retailers l'occasion d'en dessiner les contours. Le travail commence par les fondamentaux : rendre les données produits faciles à comprendre pour les agents, maintenir les prix et les stocks à jour, et mettre les agents au travail sur des tâches commerciales mesurables.
Ces fondamentaux sont déjà au cœur des opérations marketplace. La prochaine étape consiste à les préparer pour un parcours d'achat où le client est de plus en plus susceptible d'être un agent IA.
Vos agents ont besoin de données produits de qualité pour vous trouver. Découvrez comment Mirakl aide les retailers et les marques à se préparer au commerce agentique — dès maintenant.
