En quelques mois, les agents d’achat basés sur l’IA sont passés du gadget à un nouveau point d’entrée vers le commerce électronique. Des utilisateurs demandent désormais à un assistant de trouver « le meilleur écran 4K au meilleur rapport qualité-prix », puis la machine compare, trie et recommande — parfois jusqu’au paiement. Selon une projection citée par Boston Consulting Group (BCG), plus de la moitié des consommateurs devraient recourir à des assistants IA pour leurs achats d’ici fin 2025, tandis qu’OpenAI indique que ChatGPT attire des centaines de millions d’utilisateurs chaque semaine, notamment pour des conseils produits. Cette transformation redessine la découverte des articles, l’expérience utilisateur et la bataille pour la visibilité, à mesure que les réponses générées par l’IA remplacent, dans certains usages, les listes de liens et les pages catégories.
Le mouvement, souvent résumé sous le terme agentic commerce, s’accélère avec l’arrivée de parcours d’achat en ligne plus conversationnels et la généralisation de l’automatisation. Là où l’internaute cliquait, comparait et remplissait des formulaires, l’agent se charge d’orchestrer l’intention, de vérifier les options et de limiter la friction. Et pour les marchands, l’enjeu est immédiat : être « lu » par une machine, au bon prix, avec des données fiables, au moment où l’algorithme décide. Dans ce nouveau terrain, la personnalisation ne se joue plus seulement sur une page web, mais dans une réponse synthétique où une marque peut être citée… ou totalement absente.
Agentic commerce la montée des assistants IA qui refaçonnent l’achat en ligne
La différence entre e-commerce classique et agentic commerce tient à un glissement de contrôle. Dans le modèle historique, l’utilisateur pilote : il ouvre des onglets, compare des fiches, puis finalise. Dans le modèle agentique, l’IA gère l’essentiel : elle comprend une demande formulée en langage naturel, évalue plusieurs marchands, puis propose une courte sélection, parfois avec une capacité d’exécution.
Cette bascule s’observe déjà dans les interfaces grand public. Des outils comme Google (avec des expériences de recherche enrichies par IA), Microsoft via Bing, ou encore des assistants conversationnels utilisés pour le shopping, font évoluer le parcours vers une logique de réponse. McKinsey décrit cette promesse comme un chemin « rapide et sans friction », où l’IA réduit les étapes qui, historiquement, faisaient chuter la conversion.
Le changement ne concerne pas seulement l’accès à l’offre, mais aussi la qualité du trafic. Des données relayées pour 2025 font état d’un bond massif du trafic vers des sites retail américains depuis des plateformes d’IA générative, avec des sessions plus longues et davantage d’interactions. Un signe que, lorsque l’agent arrive sur un site, il a souvent déjà présélectionné — ce qui rapproche l’utilisateur de l’acte d’achat.
Dans cette dynamique, la question devient simple : si l’IA ne renvoie qu’une poignée de réponses, comment une marque s’assure-t-elle d’en faire partie ? C’est précisément ce qui ouvre le sujet de la visibilité « dans la réponse » plutôt que dans la page de résultats.
GEO et answer share la visibilité organique se déplace vers les réponses des IA
Avec l’essor des moteurs conversationnels, un nouveau champ s’impose dans le marketing de recherche : le Generative Engine Optimization (GEO). Là où le SEO cherchait à positionner une page, le GEO vise à faire apparaître une marque, un produit ou une source dans la réponse produite par un modèle de langage. En clair : il ne suffit plus d’être bien classé, il faut être compréhensible et exploitable par un agent.
Cette logique met la donnée produit au centre. Les e-commerçants qui structurent précisément leurs attributs (caractéristiques techniques, variantes, compatibilités, prix, disponibilité, livraison) augmentent leurs chances d’être retenus lorsque l’utilisateur demande une recommandation. Le travail ressemble moins à une « promesse » qu’à une fiche d’identité lisible par machine : c’est une innovation technologique autant qu’une discipline éditoriale.
Dans ce contexte, la part de voix se mesure autrement. Les équipes parlent d’« answer share » : la proportion de réponses IA qui citent une marque. Un basculement stratégique, car une réponse unique peut concentrer l’attention là où dix liens se partageaient les clics.
Cette course à la mention pose aussi un risque de désintermédiation. Si l’agent devient le point d’entrée principal, le retailer peut perdre la relation directe, et se retrouver réduit à l’exécution (stock, expédition, service). BCG résume l’idée avec une formule devenue un repère dans le secteur : le client le plus précieux pourrait ne plus être humain, mais une IA qui achète pour lui. La section suivante prolonge cet enjeu avec un autre arbitre de plus en plus décisif : le prix, tel qu’il est interprété par les algorithmes.
Pricing intelligence et automatisation quand les algorithmes arbitrent la recommandation
Dans l’agentic commerce, le prix est lu, comparé et recalculé en continu, y compris avec les promotions, coupons et frais associés. Une différence minime peut suffire à faire sortir une offre du panier de recommandations d’un agent, surtout lorsque celui-ci met en compétition plusieurs plateformes en quelques secondes. L’enjeu ne se limite donc pas au « moins cher », mais à une cohérence globale : prix, disponibilité, réputation et conditions de livraison.
Le PDG de Minderest, Antonio Tomas, résume ce déplacement du centre de gravité : « Dans l’agentic commerce, nous ne convainquons plus seulement un acheteur humain doté d’émotions, mais un algorithme mathématique qui évalue la valeur réelle d’un produit en quelques millisecondes. La précision est notre meilleure campagne marketing. » Dans les faits, la précision se traduit par des catalogues propres, des stocks fiables, et une stratégie tarifaire moins artisanale.
Un cas d’école évoqué dans le secteur du retail français illustre la bascule opérationnelle. Lorsqu’une enseigne technologique élargit son offre avec des centaines de références par trimestre, le mapping manuel face à la concurrence peut prendre des semaines, avec un coût immédiat : des prix d’ouverture déconnectés, donc des ventes manquées. Les plateformes de pricing intelligence visent à automatiser ce cycle : règles internes au lancement (coût + marge cible), puis ajustements lorsque les concurrents référencent le produit, à partir de scans quotidiens ou biquotidiens, pour éviter un yo-yo permanent des tarifs.
Cette automatisation soulève aussi un impératif de conformité. En France, la personnalisation extrême des prix et les pratiques de surveillance tarifaire sont encadrées par le RGPD et la vigilance de la CNIL, ce qui pousse les acteurs à documenter leurs règles et à maintenir de la transparence. À mesure que les agents se chargent d’acheter, les marchands n’ont plus seulement à séduire : ils doivent devenir « corrects » aux yeux des systèmes, sous peine d’invisibilité. Et c’est là l’enjeu central de la période : dans un achat en ligne piloté par l’IA, la meilleure vitrine est souvent celle que l’agent choisit de montrer.
