En mars 2026, OpenAI a repositionné ChatGPT comme couche de découverte et de recommandation plutôt que comme simple surface d’Instant Checkout. Shopify a lancé Agentic Plan et Google a présenté UCP. Le signal commun est clair : l’IA reconstruit la chaîne commerciale.
Le frein court terme n’est pas seulement technique. Les utilisateurs ne veulent pas encore déléguer l’argent à une IA, la responsabilité reste floue, et les marchands veulent garder leur site comme centre de marque et de données.
Une transaction passe par découverte, recommandation, intention, délégation, politiques, panier, paiement et fulfillment. L’IA progresse surtout dans les premières étapes. Shopify indique que les commandes issues de recherche IA ont augmenté d’environ 13x et que la recherche catalogue IA convertit environ 2x mieux.
Le premier combat est donc la lisibilité et la recommandation par l’IA. GEO est utile, mais il doit s’appuyer sur Schema.org, llms.txt, Product Feed et UCP Manifest. Sans données vérifiables, l’IA ne recommande pas avec confiance.
UCP couvre la découverte, ACP l’exécution du checkout, AP2 l’autorisation. Mais ce que l’IA a recommandé, la réaction utilisateur et le comportement sur site restent une zone de preuve à construire.
Le marché est entre L1 et L2. L’IA recommande et l’humain achète ; l’agent commence à construire des paniers. Les marques doivent gagner L1 avant de fantasmer L5.
Concrètement, la maturité d’Agentic Commerce et la concurrence avant le checkout ne doit pas être traité comme une simple initiative de contenu. Données produit, réponses IA, requêtes d’agents, visites, comportements et commandes doivent être lus comme une même chaîne de preuve. Sans cela, l’équipe ne peut pas arbitrer correctement entre contenu, données, intégration technique et budget.
Il faut aussi conserver une discipline de mesure. La recherche IA et l’Agentic Commerce sont observables, mais pas encore aussi stabilisés que les canaux paid media classiques. Prompt sampling, referrers, logs serveur et commandes Shopify ont chacun leurs angles morts. La bonne approche sépare preuve forte, signal d’assistance et corrélation.
Complément : lire la chaîne avant checkout comme un modèle opérationnel
La bonne question n’est pas de savoir si l’IA peut payer à la place du client dès aujourd’hui. La question utile est : à quelles étapes avant le checkout l’IA lit-elle des preuves, compare-t-elle des options et produit-elle une recommandation ? Pour une équipe e-commerce européenne, prix, disponibilité, livraison, retours, avis et conformité ne sont pas des détails éditoriaux. Ce sont des signaux de confiance que l’IA doit pouvoir vérifier.
Étape | Sens commercial | Rôle de l’IA |
|---|---|---|
1. Découverte | Le client identifie des produits possibles | Recherche IA, réponses IA, questions comparatives |
2. Recommandation | L’IA cite des marques ou produits précis | ChatGPT Shopping, Perplexity, Gemini et surfaces similaires |
3. Intention | Le client précise ses critères | Comparaison du prix, de l’usage, des avis et du délai |
4. Délégation | Le client confie une tâche bornée | Budget, taille, contrainte de livraison ou compatibilité |
5. Politiques | Prix, stock, livraison et retour sont vérifiés | Schema, feed, FAQ et pages de politiques servent de preuve |
6. Panier | Produits et quantités sont assemblés | L’agent propose, l’humain confirme |
7. Paiement | Le paiement est exécuté | Aujourd’hui, principalement par l’humain |
8. Fulfillment | Livraison, retour, support | L’IA aide au suivi, sans contrôler toute l’exécution |
Le marché réel est entre L1 et L2. Il est donc plus rentable de rendre la marque recommandable que de préparer d’abord un scénario L5. Une fiche produit incomplète, un feed en retard, une politique de retour non structurée ou des avis non exploitables réduisent la confiance de recommandation. L’IA ne pénalise pas la marque par préférence ; elle évite simplement de recommander ce qu’elle ne peut pas vérifier.
Niveau | Situation réelle | Priorité marque |
|---|---|---|
L1 | L’IA recommande, l’humain achète | Améliorer réponses IA, Schema, Product Feed et preuves d’avis |
L2 | L’IA prépare le panier, l’humain valide | Rendre variantes, stock, livraison et retours lisibles par machine |
L3 | L’agent traite une tâche bornée | Décrire prix, cas d’usage, compatibilité et exclusions |
L4 | L’agent gère réassort ou abonnement | Préparer autorisation, fréquence, annulation et exceptions |
L5 | L’agent anticipe et exécute seul | Le garder comme architecture future, pas comme KPI court terme |
La mesure doit suivre cette logique. Une recommandation IA peut créer la demande puis disparaître du last-click. Les équipes doivent donc séparer Answer, Request, Visit, Commerce et Attribution. Cette séparation évite de confondre un problème de visibilité avec un problème de données ou d’attribution.
Complément : traiter la maturité d’Agentic Commerce comme une décision opérationnelle
Dans la pratique, la maturité d’Agentic Commerce ne doit pas être traité comme un simple sujet éditorial. C’est une décision opérationnelle : qui possède la découverte, la recommandation, l’intention et la délégation avant checkout, quelles données soutiennent la promesse, et à quelle fréquence ces données sont-elles mises à jour ? Sans cette discipline, on produit plus de contenu sans rendre les preuves plus fiables pour l’IA.
La première séparation consiste à distinguer ce qu’un humain comprend sur la page de ce qu’un agent peut vérifier. Un bon design ne compense pas un Schema faible, un feed obsolète, des politiques peu lisibles ou des avis non structurés. À l’inverse, une marque peut rester candidate dans les comparaisons si les données produit, la preuve de réponse et le comportement après visite est cohérent.
La mesure doit suivre cette logique. Chaque semaine, il faut séparer exposition, requêtes agent, visites issues de l’IA, comportements commerce et connexion aux commandes. Chaque mois, seule la croissance comparable sous même définition doit être interprétée comme progression. Une hausse après un nouveau tag peut simplement refléter une meilleure couverture.
L’ordre de travail compte : réduire les erreurs d’interprétation, enrichir les données lisibles par machine, améliorer l’expérience après l’arrivée, puis renforcer le lien avec le revenu. Cet ordre évite de mélanger contenu, qualité de données et attribution.
Pour les marchés francophones, la précision des preuves de confiance est essentielle : livraison, retours, conformité, avis, disponibilité et prix doivent être explicites. L’IA ne recommande pas volontiers ce qu’elle ne peut pas vérifier.
FAQ
Q1: Quelle différence avec l’e-commerce classique ?
A: Une couche B2A s’ajoute à l’expérience B2C.
Q2: Pourquoi Instant Checkout n’est-il pas central ?
A: Confiance, responsabilité et intérêts marchands ne sont pas encore alignés.
Q3: Que faire en premier ?
A: Auditer Schema, Product Feed, llms.txt et mesurer l’impact IA par couches AIAA.
Q4: Où en est le marché ?
A: Entre L1 et L2.