« Je demande à l’IA, mais c’est quand même moi qui achète »
Demander à ChatGPT ou à Claude quel produit prendre, ça n’étonne plus personne. On le fait tous.
Mais on en reste au stade « aide-moi à comparer ». L’IA vous donne une liste courte, et c’est vous qui tranchez.
Sauf que l’étape suivante, ce n’est plus comparer. C’est choisir, puis acheter. Et là, quelque chose bouge sous vos pieds : la définition même de « l’acheteur ».
Autrement dit, ce qu’on optimise n’est plus seulement la publicité et la jolie photo de produit. C’est la porte d’entrée de l’achat.
Alors, on en est où exactement ? Plusieurs équipes ont posé des chiffres sur la question. Allons les regarder.
Combien d’achats vont passer par une IA ? Les prévisions s’emballent
Dans son compte rendu du ShopTalk 2026, PwC rassemble les prévisions du secteur. Et le plus intéressant, c’est qu’elles ne sont pas d’accord entre elles.
eMarketer table sur 8,8 % des transactions de commerce en ligne passant par des agents IA en 2029. Merkle va beaucoup plus loin : jusqu’à 50 % avec des agents ou des moteurs de réponse dans la boucle. Strategy& se place entre les deux, avec jusqu’à 15 % des dépenses européennes en ligne et une adoption jusqu’à quatre fois plus rapide que celle du e-commerce classique.
Alors, laquelle croire ? On n’a pas besoin de trancher. Prenez la prévision la plus basse : c’est déjà un canal sur lequel il faut mettre quelqu’un. Prenez la plus haute : c’est le canal.
Mais attention : le consensus du secteur ne dit pas « la machine achète tout ». Il dit beaucoup moins que ça. 60 % des consommateurs qui reçoivent une recommandation vont quand même vérifier de leur côté. Les modèles servent donc surtout d’outil de découverte, pas encore de bouton « payer ».
Autrement dit, les ont pris la première moitié de l’achat, pas la totalité. Ce qui reste énorme. Parce que c’est là que se fabrique la liste courte, et on ne gagne pas une comparaison où l’on ne figure même pas.
Ce qui change vraiment : l’acheteur n’est plus l’utilisateur
Stefano Puntoni, de Wharton, pose une idée qui paraît évidente pendant quatre secondes, puis cesse de l’être. Le marketing a toujours supposé, sans le dire, que celui qui achète et celui qui utilise sont la même personne. Avec des agents dans la boucle, non.
Appelons ça la . L’utilisateur reste un humain. Mais si le modèle tient l’entrée — la comparaison, la présélection —, on doit s’expliquer devant deux publics très différents en même temps.
Et concrètement, qu’est-ce que ça change ? Ces deux publics ne veulent pas la même chose. Un message qui ne cherche qu’à émouvoir une personne sort de la comparaison machine, tout simplement parce qu’il n’y a rien à comparer dedans. À l’inverse, un message écrit pour la seule machine se lit comme une fiche technique, et perd la personne.
C’est là que se joue la concurrence des prochaines années. Et on ne s’en sort pas en choisissant un camp.
On change de modèle, et les marques recommandées changent aussi
Et là arrive la partie que je n’avais pas vue venir. Kamruzzaman, Nguyen et Kim ont comparé les recommandations de marque de GPT-4o, Llama-3-8B, Gemma-7B et Mistral-7B, dans un travail présenté à EMNLP 2024. Même tâche, quatre modèles. Mais pas du tout les mêmes marques en sortie.
Et qu’est-ce que ça donne ? Un écart très net :
- Interrogés sur des pays à revenu élevé, les modèles recommandent des marques de luxe dans 88 à 100 % des cas
- Interrogés sur des pays à faible revenu, des marques non premium dans 84 à 98 % des cas
- Gemma-7B monte à 100 % de recommandations de luxe dans toutes les catégories pour les pays à revenu élevé
Et par-dessus, un second biais. Laurito et ses collègues l’ont décrit en 2025 dans PNAS : c’est ce qu’on appelle le . GPT-4 a préféré les descriptions de produit rédigées par une IA dans 89 % des cas. Chez les évaluateurs humains, ce taux tombe à 36 %.
Plus le modèle devient le comparateur, plus ses penchants propres pourraient se glisser dans votre liste courte. En fait, avec les agents, on ne joue plus devant une vitrine unique et un classement unique. C’est plutôt un entretien d’embauche où le recruteur change à chaque fois, et les critères avec lui. Les réflexes de l’époque « un seul Google pour tout le monde » ne suffisent plus.
Conclusion : tenez deux vitrines, pas une seule mélangée
Si les agents s’installent dans la première moitié de l’achat, une marque a besoin d’autre chose qu’une belle histoire émotionnelle : il lui faut de l’information qu’un modèle peut comparer. Mais l’erreur que je surveillerais, c’est de mélanger les deux dans une page qui n’émeut pas et ne se compare pas non plus.
Alors, on commence par le moins cher. Posez chaque semaine la même question d’achat à ChatGPT, Claude et Gemini, et notez quelles marques sortent et avec quels arguments. Au bout d’un mois, le penchant propre à chaque modèle n’est plus une hypothèse, c’est un tableau.
Voilà votre mesure de la vitrine côté machine.
Ensuite l’autre vitrine. Sur la fiche produit, mettez l’information primaire bien en vue — prix, caractéristiques, conditions de retour, conditions d’utilisation — écrite noir sur blanc, et pas seulement suggérée par une photo d’ambiance. L’humain la survole, le modèle la cite. Une seule page, deux lecteurs.
Par quelle catégorie commencer ? Ça dépend de ce que vous vendez, parce que l’effet n’est pas le même sur tout le catalogue. On a creusé ça dans les produits sur lesquels le trafic IA rapporte vraiment.
Sources
- Puntoni, S., « AI Is Upending Marketing on Two Fronts », Harvard Business Review, 2026-02-23, hbr.org
- PwC, « AI Commerce Is Here: Key Takeaways from ShopTalk 2026 », 2026-03, pwc.com
- Kamruzzaman, M., Nguyen, H.M. et Kim, G.L., « Global is Good, Local is Bad?: Understanding Brand Bias in LLMs », EMNLP 2024, aclanthology.org
- Laurito, W. et al., « AI-AI bias: Large language models favor communications generated by large language models », PNAS, vol. 122(31), 2025, pnas.org
