Le commerce agentique sans le jargon : cinq questions que se posent les dirigeants du commerce

Une responsable e-commerce a résumé l’ambiance lors d’un appel ce mois-ci. C’est une période déroutante, a-t-elle dit. Tout le monde parle des nouveautés de l’IA, et chaque réunion ressemble à la même conversation, sans que personne sache où elle mène.

Ces trois derniers mois, mon équipe a mené des appels de découverte avec des dirigeants du commerce dans la mode, la chaussure, la beauté et le luxe. Presque tous ont inscrit « se préparer au commerce agentique » à leur feuille de route. Presque aucun n’a encore défini ce que cela veut dire en pratique. Voici les cinq questions qu’ils ont le plus posées, et ce que nous avons appris en essayant d’y répondre.

« Comment savoir si tout cela fonctionne ? »

C’est la question qui revenait le plus souvent, et la plus importante. La plupart des équipes mesurent leur visibilité dans les assistants IA en soumettant une liste de prompts à ChatGPT et à d’autres assistants, puis en comptant combien de fois leur marque apparaît. Une directrice a elle-même pointé la faille. Son équipe suit des prompts construits autour de la gamme pour laquelle la marque est la plus connue. Même avec ces prompts favorables, la marque apparaît dans environ 1 % des réponses.

Le suivi des citations va s’améliorer, mais personne n’a besoin de l’attendre. La preuve la plus fiable vient des canaux qu’une marque maîtrise déjà. Pour la recherche sur site, prenez un échantillon de requêtes réelles et comparez les résultats avant et après l’amélioration des données produit, en regardant la qualité des correspondances et les recherches qui ne renvoient rien. Dans les flux shopping, améliorez les données d’un ensemble de produits et comparez le retour sur dépenses publicitaires avec celui d’un groupe témoin. Et là où le moindre changement sur le site prend des mois, rejouez hors ligne des requêtes réelles sur les données améliorées et comparez les résultats côte à côte.

Si un prestataire ne peut pas vous dire comment il prouvera sa valeur sur vos propres produits avant que vous ne vous engagiez, continuez à poser la question. C’est pourquoi nous convenons du test, et de l’unique indicateur qui le tranchera, avant que le moindre travail ne commence.

« Cela concerne-t-il vraiment la façon dont mes clients achètent ? »

Le scepticisme est ici salutaire. Un consultant en stratégie de marque a fait remarquer que l’achat agentique est simple pour les produits de base, comme trouver l’essuie-tout le moins cher. La mode, c’est différent. On y achète par aspiration, en fonction de ce qu’on a vu porter, ou de ce que défend un fondateur. Un autre détaillant s’adresse à des clients de 45 à 75 ans qui apprécient toujours leur catalogue papier mensuel.

Ils ont raison tous les deux. Mais le basculement a déjà lieu sur leurs propres sites. Les acheteurs tapent des phrases complètes dans la recherche sur site, comme « une robe pour un mariage à la plage » ou « des chaussures confortables pour rester debout toute la journée ». Si les produits ne portent pas d’attributs d’occasion, de coupe ou de confort, ces recherches renvoient peu de résultats, voire aucun. Une responsable merchandising nous a dit que son entreprise ne fournit presque aucune information sur l’occasion ou le niveau de formalité. Ce manque coûte des ventes bien avant l’arrivée du premier agent IA.

« Dois-je refaire mes pages produit ? »

Non. Plusieurs dirigeants pensaient que des attributs plus riches impliquaient une refonte ou des mois de développement. En pratique, de meilleures données produit peuvent alimenter des champs qu’un site possède déjà, comme les titres, les descriptions, les tags et les filtres. Elles peuvent aussi se trouver derrière la page, sous forme de données structurées que les moteurs de recherche et les agents IA lisent et que les acheteurs ne voient jamais. La page peut garder le même aspect pendant que les données qui la sous-tendent en font beaucoup plus.

« Pourquoi ne pas le développer nous-mêmes ? »

Certaines équipes en sont capables. Un CTO qui dispose d’un solide entrepôt de données a construit un assistant interne qui répond aux questions sur l’activité. Un directeur e-commerce senior prévoit de connecter une IA généraliste à ses données d’avis, de recherche et de ventes. L’agence d’une autre marque a créé un outil qui renseigne des attributs de base comme le tissu et la couleur.

Selon moi, construire l’agent est la partie facile. La partie difficile, ce sont les données sur lesquelles il s’appuie. Cela veut dire savoir quels attributs les acheteurs de chaque catégorie recherchent réellement, donner la même réponse pour le même produit à chaque fois, et vérifier chaque valeur avant sa mise en ligne. Sans cela, un agent intelligent produit un contenu qui s’éloigne de votre source de vérité. Développez en interne si vous avez l’équipe. Prévoyez simplement un budget pour les données, pas seulement pour l’agent.

« Cela vaut-il plus que ma prochaine campagne d’influence ? »

Les petites marques posent cette question, et elle mérite une réponse franche. Avec un budget limité, chaque euro investi dans les données produit entre en concurrence avec un euro dépensé sur les réseaux sociaux. Les données produit doivent gagner leur place par des résultats mesurables, pas par des promesses.

Le moment compte autant que le prix. Plusieurs équipes nous ont dit être intéressées, mais en pleine migration d’ERP, en pleine période de pointe ou en plein changement de direction. C’est raisonnable. Personne ne devrait s’attaquer aux données produit au beau milieu d’un changement de système, ni pendant une période de pointe.

Ce que nous dirions à ceux qui se lancent

Tous les acheteurs sérieux avec qui nous avons échangé voulaient une preuve de concept avant de s’engager, en général sur deux à trois mois. C’est le bon réflexe. Commencez par une catégorie, un test et un indicateur auquel vous faites déjà confiance. Améliorez les données, mesurez ce qui change sur votre propre site, et n’élargissez le périmètre que lorsque les chiffres bougent.

Le commerce agentique ressemble à un nouveau canal, mais il repose sur un actif ancien : des données produit exactes et complètes. Personne ne peut promettre la façon dont un modèle d’IA classera un produit. Ce qu’une marque maîtrise, c’est que ses données donnent ou non au modèle des informations complètes et correctes sur lesquelles travailler.

C’est le travail que fait atronous. Nous améliorons les données produit dont les marques et les détaillants disposent déjà, et nous ajoutons les attributs qui permettent aux acheteurs, à la recherche et aux agents IA de trouver le bon produit. Si vous préparez un premier test, je serais heureuse de vous aider à le concevoir. Pour commencer, le plus simple est un C-Score gratuit : envoyez jusqu’à trois URL de pages produit, et nous vous montrerons le score de chacune et ce que nous ajouterions.