Se préparer au commerce piloté par l’IA : paiements, confiance et nouveaux parcours d’achat

Le commerce piloté par l’IA ne se résume plus à recommander un produit sur une page e-commerce : il amène progressivement des assistants à rechercher, comparer, préparer un panier et, dans certains cas, participer à l’exécution de l’achat. Pour les équipes produit, e-commerce et paiement, le défi n’est donc pas seulement d’ajouter une interface conversationnelle, mais de rendre chaque étape suffisamment fiable, explicable et sécurisée pour mériter la confiance.

La priorité consiste à préparer l’infrastructure avant de promettre une autonomie totale. Les parcours restent aujourd’hui hybrides : l’IA améliore fortement la découverte, la planification et le réassort, tandis que le paiement, les autorisations, l’identité et le contrôle utilisateur déterminent jusqu’où un agent peut réellement agir.

Commerce piloté par l’IA : la réponse courte

Pour se préparer au commerce piloté par l’IA, une entreprise doit structurer ses données produit, définir les droits d’action des agents, sécuriser l’identité et les paiements, rendre l’IA transparente, puis déployer l’autonomie par paliers avec des contrôles mesurables.

Le bon point de départ n’est pas l’achat entièrement autonome. Il s’agit d’identifier les moments où l’IA apporte une valeur immédiate sans retirer au client son pouvoir de décision : comparaison de produits, aide à la compatibilité, préparation d’un panier, suivi de prix, réassort suggéré ou support avant achat.

Cette approche répond à la façon dont le marché évolue. McKinsey décrit une montée en autonomie allant de la recherche assistée à l’achat supervisé, puis à des transactions plus autonomes. Le passage d’un niveau à l’autre dépend moins de la qualité apparente du chatbot que de la robustesse des identités, des autorisations, de la confiance et des rails de paiement.

Pourquoi les nouveaux parcours d’achat se déplacent vers les assistants IA

La découverte produit ne commence plus systématiquement par le moteur de recherche, la page d’accueil d’une marque ou une marketplace. Les utilisateurs formulent de plus en plus une intention complète : « trouve-moi une valise cabine solide sous tel budget », « compare ces deux appareils pour mon usage » ou « recommande un cadeau compatible avec ces contraintes ».

Salesforce rapporte que l’usage de l’agentic search comme premier point d’entrée du shopping a augmenté de 200 % sur un an. Son analyse s’appuie sur les réponses de 3 450 professionnels du commerce, 4 690 consommateurs et sur plus de 1,5 milliard d’acheteurs mondiaux. Ce déplacement ne signifie pas la disparition du site marchand ; il signifie que le site devient aussi une source de données et une destination d’exécution dans un parcours initié ailleurs.

La visibilité ne dépend plus uniquement du référencement classique

Entre août 2025 et mai 2026, Salesforce observe un recul de 7 % des découvertes de produits via les propriétés de marque et de 15 % via la recherche traditionnelle, alors que les nouveaux canaux, assistants IA, social AI et applications de livraison, progressent de 38 %. Les marques doivent donc penser leur présence au-delà des pages de catégories et des campagnes d’acquisition directes.

Dans la mode, McKinsey fait aussi état d’une croissance de 4 700 % des recherches génératives liées au shopping entre juillet 2024 et juillet 2025. La même source rapporte une hausse de 84 % du revenu par visite tiré par l’IA sur les sites retail américains entre janvier et juillet 2025. Ces indicateurs ne constituent pas une garantie de résultat pour chaque enseigne, mais ils confirment que le trafic et la valeur commerciale associés à l’IA sont déjà observables.

  • Découverte : l’assistant interprète une intention, un besoin ou une contrainte plutôt qu’un simple mot-clé.
  • Évaluation : il synthétise des caractéristiques, des avis, des prix et des conditions.
  • Décision : il propose une sélection argumentée, parfois avec un panier préparé.
  • Exécution : il transmet ou déclenche une action, dans les limites d’une autorisation claire.
  • Après-vente : il facilite le suivi, le retour, le réassort ou l’assistance.

Cette fragmentation des points d’entrée oblige les équipes à relier contenu, catalogue, stocks, prix, règles commerciales et service client. Une excellente réponse conversationnelle ne compense pas une information produit obsolète ou un statut de disponibilité erroné.

Cartographier les parcours d’achat avant d’automatiser

Une stratégie de commerce agentique solide commence par une cartographie des parcours existants. L’objectif est de distinguer les décisions complexes, où l’IA peut aider à comprendre, des gestes répétitifs, où elle peut accélérer l’exécution. Sans cette distinction, l’automatisation risque d’être appliquée à des moments où elle augmente l’incertitude plutôt qu’elle ne réduit la friction.

McKinsey indique que 68 % des consommateurs américains ont utilisé au moins un outil d’IA au cours des trois derniers mois, et que 19 % l’ont utilisé pour découvrir ou décider de marques, produits ou services. L’IA est donc déjà présente dans les premières étapes de l’achat, en particulier chez les consommateurs plus jeunes et à revenus plus élevés, et commence à influencer des achats discrétionnaires comme récurrents.

Prioriser les cas où la synthèse apporte une vraie valeur

Les catégories intensives en recherche sont particulièrement adaptées à une assistance IA. McKinsey cite notamment l’habillement, la santé, l’électronique et le voyage : ces univers comportent souvent beaucoup de critères, de variantes, de compatibilités et de compromis à expliquer.

  1. Recenser les intentions fréquentes : comparer, choisir une taille, vérifier une compatibilité, sélectionner une formule, renouveler un achat ou organiser un voyage.
  2. Mesurer le coût de la friction : abandons, sollicitations du support, retours liés à une mauvaise compréhension, délai de décision ou panier incomplet.
  3. Définir une source de vérité pour les données produits, les prix, les promotions, la disponibilité, les délais et les politiques de retour.
  4. Choisir le niveau d’action autorisé : informer, recommander, composer un panier, demander validation ou exécuter dans un mandat strict.
  5. Prévoir l’escalade humaine pour les exceptions, les cas litigieux et les décisions à fort enjeu.

Le réassort est souvent un bon terrain d’expérimentation, car l’intention est plus prévisible. À l’inverse, un produit coûteux, fortement personnalisé ou difficile à comparer peut justifier une assistance très approfondie tout en conservant une validation explicite à la fin du parcours.

Déployer l’autonomie des agents par paliers de confiance

L’erreur la plus fréquente consiste à opposer deux modèles : une IA purement informative ou un agent qui achète librement à la place du client. Entre ces extrêmes, il existe une progression utile qui laisse le temps de tester les règles, d’observer les comportements et de construire l’acceptabilité.

En Europe, McKinsey relève que les consommateurs distinguent clairement l’influence sur la décision de l’exécution de l’achat. La recommandation pratique est donc de commencer par une évaluation assistée par IA avant d’élargir l’autonomie. Cette séquence est aussi une décision de produit : elle permet de démontrer la valeur de l’assistant sans demander trop tôt une délégation difficile à justifier.

Un modèle de maturité pragmatique

  • Niveau 1, Assistance informative : l’agent répond, compare et explique ses critères ou ses limites. Il n’écrit pas dans le panier et ne déclenche aucune transaction.
  • Niveau 2, Préparation supervisée : l’agent construit une sélection, préremplit un panier ou prépare une commande. Le client vérifie et confirme.
  • Niveau 3, Actions encadrées : l’agent peut agir dans une enveloppe définie, par exemple pour un réassort autorisé, un budget, une fréquence et des produits précis.
  • Niveau 4, Exécution plus autonome : l’agent gère certaines transactions selon un mandat durable, avec des mécanismes de révocation, de notification et de traitement des exceptions.

Chaque palier doit avoir ses propres critères de réussite. Pour l’assistance, la qualité des réponses et la capacité à orienter comptent davantage. Pour la préparation du panier, il faut aussi suivre la pertinence des sélections, les corrections apportées par les utilisateurs et les erreurs de règles. Pour l’exécution, la gestion des consentements, des annulations, des remboursements et des incidents de paiement devient centrale.

Les consommateurs plus jeunes sont plus ouverts à l’automatisation des achats routiniers et aux paiements fluides, selon McKinsey. Adobe observe également que près de la moitié des consommateurs de moins de 45 ans accueillent favorablement des assistants virtuels ajoutant proactivement des articles au panier selon leurs préférences et achats passés. Cette ouverture n’autorise pas pour autant une généralisation : une préférence ou un historique ne vaut pas une autorisation illimitée.

Paiements agentiques : construire les rails invisibles de l’exécution

Dans un parcours classique, l’écran de paiement rend les étapes visibles : choix du moyen de paiement, authentification et confirmation. Dans le commerce piloté par l’IA, une part de cette logique se déplace vers une infrastructure capable de prouver qui agit, pour quel compte, avec quelle autorisation et dans quelles limites.

McKinsey souligne que l’avenir des paiements globaux ne se joue pas uniquement sur le checkout visible, mais sur les couches d’identité, d’autorisation et de paiement qui permettent aux agents de transiger. Cette évolution fait du paiement un composant produit et architectural, pas seulement une dernière étape du tunnel de conversion.

Les décisions à formaliser dans l’architecture

  • Identité : identifier de manière fiable le client, le compte marchand et l’agent qui formule ou exécute l’action.
  • Mandat : préciser ce que l’agent peut faire, sur quels produits, dans quelle durée, avec quel plafond et quelles exclusions.
  • Consentement : recueillir une validation adaptée au niveau de risque et conserver une trace compréhensible de l’accord.
  • Authentification : appliquer une vérification supplémentaire quand le contexte le justifie, sans imposer mécaniquement la même friction à toutes les transactions.
  • Traçabilité : permettre au client et aux équipes support de comprendre l’origine d’une commande, ses paramètres et les actions possibles ensuite.
  • Réversibilité : prévoir l’annulation, le remboursement, la modification du mandat et la désactivation immédiate de l’automatisation.

Stripe explique que les nouveaux modèles de paiement peuvent exploiter davantage de signaux en temps réel, demander une authentification plus sélective et améliorer le routage ainsi que les tentatives de paiement. Pour une équipe technique, la conséquence est claire : les parcours agents ne doivent pas contourner le paiement existant ; ils doivent s’intégrer à ses règles de risque, à ses statuts et à ses mécanismes de reprise.

Des standards commencent à encadrer les interactions de checkout en temps réel. McKinsey cite le Google Agent Payment Protocol et l’Agentic Commerce Protocol de Stripe/OpenAI. Leur existence montre que l’enjeu n’est pas simplement de connecter un modèle de langage à un bouton d’achat : il faut des conventions d’échange permettant de transmettre contexte, intention, autorisations et résultats de transaction.

L’impact économique peut être important. McKinsey estime que le commerce agentique pourrait réduire les revenus d’interchange des cartes, nets des récompenses, de 30 à 75 % dans les marchés très dépendants des cartes. Pour les marchands, les prestataires de paiement et les plateformes, cela justifie une veille active sur les modèles économiques et les règles de distribution de valeur, sans présumer d’un scénario unique.

Gagner la confiance : transparence, contrôle et confidentialité

La confiance est le principal frein à l’autonomie des agents. McKinsey associe son adoption au contrôle perçu, à l’exactitude, à la transparence et à la confidentialité, en plus des capacités techniques. Un agent utile mais opaque peut améliorer une interaction ponctuelle tout en dégrader la relation de marque à long terme.

Les résultats d’Adobe illustrent cet écart : 87 % des consommateurs attendent des détaillants qu’ils traitent leurs données de manière responsable et sécurisée, mais seuls 46 % pensent que les marques le font réellement. Par ailleurs, 74 % souhaitent que les détaillants indiquent clairement l’usage de contenus, recommandations ou images générés par IA, alors que seulement 26 % des marques répondent à cette attente.

Rendre les choix de l’IA auditables par le client

La transparence ne consiste pas à afficher une longue politique de confidentialité au mauvais moment. Elle doit apparaître dans l’interface quand elle aide la personne à décider : signaler qu’une recommandation est générée avec l’IA, indiquer les critères utilisés, distinguer les informations certaines des éléments estimés et expliquer les raisons d’une action proposée.

Dans un parcours de panier, l’agent peut par exemple dire qu’il a sélectionné un format sur la base d’achats antérieurs, tout en demandant confirmation avant de poursuivre. Dans une comparaison, il doit éviter de présenter comme une vérité objective une préférence fondée sur des critères incomplets. La possibilité de corriger une préférence, de retirer une donnée ou de désactiver l’assistant doit être accessible, pas dissimulée.

Salesforce indique que 74 % des acheteurs font confiance aux recommandations reçues via des agents IA ou l’agentic search. Cette confiance est une opportunité, mais elle implique une responsabilité accrue : plus une recommandation paraît pertinente, plus le client doit pouvoir identifier son statut, vérifier les éléments importants et conserver le dernier mot sur une dépense.

Préparer les données produit et la visibilité dans les intermédiaires IA

Un assistant ne peut pas recommander correctement un produit dont les données sont ambiguës, incomplètes ou contradictoires. Les informations qui semblaient secondaires dans une fiche produit, dimensions, matière, compatibilités, restrictions, disponibilité locale, délais, conditions de retour, deviennent des signaux essentiels pour répondre à une demande formulée en langage naturel.

La préparation du catalogue doit couvrir le fond autant que la forme. Il faut structurer les attributs, harmoniser les unités, gérer les variantes, relier les produits complémentaires et documenter les règles qui changent fréquemment. La qualité éditoriale reste nécessaire : les descriptions doivent expliquer les bénéfices, les limites et les cas d’usage sans se reposer sur des formulations génériques.

Réduire les réponses imprécises sans fermer le parcours

  • Identifier les attributs déterminants par catégorie : taille, compatibilité, composition, usage, réglementations, disponibilité ou délai.
  • Exposer les informations de prix et de stock selon une source de vérité clairement définie.
  • Normaliser les politiques commerciales : livraison, retour, garantie, restrictions géographiques et promotions.
  • Associer les preuves utiles : documentation, avis, guides, visuels et informations de service après-vente.
  • Prévoir une réponse d’incertitude : lorsqu’une donnée manque, l’agent doit le dire et orienter vers une vérification plutôt que compléter arbitrairement.

McKinsey avertit que les marques devront probablement accorder davantage d’attention aux affiliés et aux canaux indirects, même si cela réduit leur contrôle direct sur la présentation des produits dans les parcours assistés par IA. Cette évolution renforce l’importance d’une information cohérente à travers les flux, les partenaires et les plateformes. Il ne s’agit pas d’abandonner les canaux propriétaires, mais de les connecter à une stratégie de visibilité plus distribuée.

Pour les équipes SEO et contenu, l’enjeu se déplace donc partiellement de la seule position sur une requête vers la capacité à être correctement compris, comparé et recommandé. Les contenus utiles, précis et maintenus peuvent nourrir la décision dans des parcours omnicanaux mêlant assistants, réseaux sociaux, applications de livraison et plateformes propriétaires.

Mesurer le commerce agentique sans confondre automatisation et performance

Un projet de commerce IA ne se pilote pas uniquement avec le volume de conversations ou le taux d’utilisation d’un assistant. Ces signaux sont utiles, mais ils ne montrent pas à eux seuls si l’expérience améliore la décision, protège la confiance et crée une performance durable.

Salesforce indique que les détaillants ayant déployé des agents IA pendant la saison des fêtes ont observé une croissance des ventes quatre fois plus élevée. Cette observation est encourageante, mais elle ne dispense pas chaque organisation d’établir son propre cadre de mesure : le contexte de déploiement, la maturité des données, la catégorie et le canal influencent nécessairement les résultats.

Un tableau de bord à trois niveaux

Performance commerciale. Suivre les revenus influencés par l’assistant, la conversion des paniers préparés, la valeur des commandes, les achats répétés et la part des demandes résolues sans abandon. Il est utile de séparer les parcours de découverte, de comparaison et de réassort, car ils n’ont pas le même cycle de décision.

Qualité de l’expérience. Observer les reformulations, les corrections faites par le client, les sorties de parcours, les sollicitations du support et les motifs de retour quand ils peuvent être reliés à une recommandation. Une augmentation de conversion qui s’accompagne d’incompréhensions, de retours ou de litiges mérite une analyse approfondie.

Confiance et maîtrise du risque. Mesurer l’usage des explications, les refus ou révocations de mandats, les annulations, les anomalies de paiement et les cas où l’agent a dû s’abstenir. Le taux d’automatisation n’est pas une finalité : un agent qui sait demander confirmation au bon moment protège aussi la qualité du service.

Les tests doivent comparer des parcours réellement comparables et documenter les changements de règles, de catalogue et de canal. Dans un environnement où l’IA intervient sur plusieurs étapes, l’attribution devient plus complexe : une recommandation dans un assistant peut influencer une commande conclue plus tard sur le site, dans une application ou via un autre intermédiaire.

Organiser produit, technologie et gouvernance pour passer à l’échelle

Le commerce piloté par l’IA traverse des responsabilités qui sont souvent séparées : e-commerce, CRM, paiement, données, sécurité, juridique, contenu, service client et développement. Une expérimentation isolée peut fonctionner en démonstration, mais une expérience transactionnelle exige des arbitrages partagés sur ce que l’agent peut faire et sur la manière de traiter les incidents.

Une gouvernance légère mais explicite est préférable à une accumulation de validations tardives. Elle doit relier les décisions de produit aux contraintes opérationnelles : quelles actions sont autorisées, qui valide les règles de prix ou de promotion, comment réagir à une erreur de stock, quand déclencher une escalade humaine et comment informer le client.

Les fondations d’un dispositif opérationnel

  1. Un propriétaire de parcours responsable de l’expérience de bout en bout, pas uniquement de l’interface IA.
  2. Un contrat de données qui définit les sources, la fraîcheur attendue, les règles de mise à jour et les champs indispensables par catégorie.
  3. Un registre des actions recensant les capacités de l’agent, leurs prérequis, leurs limites et les modalités de validation.
  4. Des scénarios d’exception couvrant les indisponibilités, écarts de prix, paiements refusés, demandes de retour et incohérences détectées.
  5. Une revue continue associant les retours clients, les équipes métier et les équipes techniques afin d’ajuster les règles d’autonomie.

Cette organisation est aussi un avantage de vitesse. Lorsqu’un nouvel intermédiaire, un protocole de paiement ou un canal conversationnel apparaît, une entreprise dont les données et les règles sont déjà structurées peut l’évaluer plus vite. À l’inverse, un catalogue fragmenté et des processus de validation opaques ralentissent toute intégration, même avec une bonne technologie.

FAQ sur les paiements et les parcours d’achat pilotés par l’IA

Le commerce piloté par l’IA implique-t-il des achats sans validation humaine ?

Non. Les parcours actuels sont majoritairement hybrides. L’IA peut assister la recherche, comparer des options et préparer un panier, tandis que le client confirme l’achat. Une exécution plus autonome doit rester limitée par des autorisations explicites, des plafonds, des règles et des possibilités de révocation.

Par où commencer pour une marque ou un e-commerçant ?

Commencez par un cas d’usage où les données sont fiables et où l’IA réduit une friction concrète : comparaison de produits, aide à la compatibilité, sélection guidée ou réassort supervisé. Structurez ensuite les données produit et les règles d’action avant de connecter des capacités transactionnelles.

Pourquoi le paiement est-il si important dans le commerce agentique ?

Parce qu’un agent ne doit pas seulement pouvoir formuler une recommandation : il doit aussi démontrer qui agit, quelle autorisation a été donnée et comment la transaction peut être authentifiée, suivie ou annulée. L’identité, le mandat et la traçabilité sont donc aussi importants que l’interface de paiement.

Les sites marchands vont-ils perdre toute leur importance face aux assistants IA ?

Non, mais leur rôle évolue. Ils restent des destinations de transaction, de service et de réassurance, ainsi que des sources de données pour les nouveaux intermédiaires. La priorité est de conserver une information produit, commerciale et de service cohérente dans les canaux propriétaires comme indirects.

Comment préserver la confiance des clients ?

Indiquez clairement quand l’IA produit un contenu ou une recommandation, expliquez les critères importants, demandez une validation proportionnée au risque et laissez au client le contrôle de ses préférences, de ses données et de ses autorisations. La transparence doit être intégrée au parcours, pas ajoutée après coup.

Le commerce piloté par l’IA se prépare donc comme une évolution conjointe de l’expérience client et de l’infrastructure transactionnelle. Les entreprises les mieux placées ne seront pas nécessairement celles qui promettent l’agent le plus autonome, mais celles qui relient données fiables, recommandations utiles, paiements robustes et contrôle clair pour l’utilisateur.

Pour les équipes produit et digitales, la prochaine étape est de sélectionner un parcours à forte friction, d’en définir le niveau d’autonomie acceptable et de tester la chaîne complète, catalogue, règles, identité, paiement, support et mesure. Cette méthode permet d’avancer vers de nouveaux parcours d’achat sans sacrifier la confiance qui rend leur adoption possible.